%20(2).svg)
项目简介
本项目基于Python和Keras框架实现了YOLOv4目标检测模型，主要用于机场保障节点的简单检测。它包含了模型训练、预测和评估等完整流程，支持使用预训练权重和自定义数据集训练，可对图片和视频进行目标检测。
项目的主要特性和功能
- 网络结构：采用CSPDarkNet53作为主干特征提取网络，结合SPP、PAN特征金字塔结构。
- 训练技巧：运用Mosaic数据增强、Label Smoothing平滑、CIOU和学习率余弦退火衰减等训练技巧。
- 激活函数：使用Mish激活函数。
- 功能多样：支持使用预训练权重和自定义训练的权重进行图片和视频检测，还能进行fps测试；可对VOC07+12数据集和自定义数据集进行训练、预测和评估。
安装使用步骤
所需环境
安装tensorflow-gpu==1.13.1和keras==2.1.5。
训练步骤
训练VOC07+12数据集
- 下载VOC07+12数据集并解压到根目录。
- 修改
voc_annotation.py里的annotation_mode=2，运行该文件生成2007_train.txt和2007_val.txt。 - 直接运行
train.py开始训练。 - 训练后，在
yolo.py里修改model_path（指向logs文件夹里训练好的权值文件）和classes_path（指向检测类别对应的txt），运行predict.py并输入图片路径进行检测。
训练自己的数据集
- 制作VOC格式的数据集，将标签文件放在
VOCdevkit/VOC2007/Annotation，图片文件放在VOCdevkit/VOC2007/JPEGImages。 - 修改
voc_annotation.py里的classes_path指向自己建立的包含检测类别的txt文件，运行该文件生成训练用的txt文件。 - 修改
train.py里的classes_path，运行该文件开始训练，权值会生成在logs文件夹中。 - 同训练VOC07+12数据集的第4步进行训练结果预测。
预测步骤
使用预训练权重
- 下载
yolo_weights.pth放入model_data，运行predict.py并输入图片路径。 - 在
predict.py里设置可进行fps测试和video视频检测。
使用自己训练的权重
- 按上述训练步骤完成训练。
- 在
yolo.py里修改model_path和classes_path对应训练好的文件。 - 运行
predict.py并输入图片路径。 - 在
predict.py里设置可进行fps测试和video视频检测。
评估步骤
评估VOC07+12的测试集
- 因VOC07+12已划分好测试集，无需用
voc_annotation.py生成ImageSets下的txt。 - 在
yolo.py里修改model_path和classes_path。 - 运行
get_map.py，评估结果保存在map_out文件夹中。
评估自己的数据集
- 确保使用VOC格式。
- 若训练前运行过
voc_annotation.py，可修改其里的trainval_percent和train_percent调整测试集比例。 - 修改
get_map.py里的classes_path。 - 在
yolo.py里修改model_path和classes_path。 - 运行
get_map.py，评估结果保存在map_out文件夹中。
注意事项
- 代码中的
yolo4_weights.h5基于608x608图片训练，默认图片大小为416x416，可按需修改。 - 不要使用中文标签，文件夹中不要有空格。
- 训练前在
model_data下新建txt文档输入分类，在train.py中将classes_path指向该文件。
文件下载
- 训练所需的
yolo4_weights.h5（coco数据集权重）和yolo4_voc_weights.h5（voc数据集权重）可在百度网盘下载。yolo4_weights.h5链接: https://pan.baidu.com/s/1zAChN3AdrjbnGoJMXdgEYA ，提取码: 3zwjyolo4_voc_weights.h5见项目文档
- VOC数据集下载链接: https://pan.baidu.com/s/19Mw2u_df_nBzsC2lg20fQA ，提取码: j5ge
下载地址
点击下载 【提取码: 4003】【解压密码: www.makuang.net】