【源码】基于PyTorch的YOLOv3目标检测系统

项目简介

本项目基于PyTorch实现了YOLOv3目标检测系统，可在VOC数据集上开展目标检测模型的训练、评估和预测工作，同时支持使用自定义数据集进行训练。

项目的主要特性和功能

1. 多数据集支持：可使用VOC07+12数据集训练和评估，也支持自定义的VOC格式数据集。
2. 训练功能：提供完整训练流程，涵盖数据集准备、处理与模型训练，训练结果会生成权值文件。
3. 预测功能：支持用预训练权重或自训练权重进行图片、视频的目标检测，还能进行fps测试。
4. 评估功能：可对训练好的模型在VOC07+12测试集或自定义数据集上评估，评估结果保存至指定文件夹。

安装使用步骤

环境准备

确保torch版本为1.2.0，其他依赖详情查看requirements.txt，该文件有一定兼容性，已测试pytorch1.7和1.7.1可正常运行。

数据和文件下载

1. 训练所需的yolo_weights.pth可在百度云下载，链接: https://pan.baidu.com/s/1hCV4kg8NyStkywLiAeEr3g ，提取码: 6da3 ，下载后放入model_data文件夹。
2. VOC数据集下载地址：https://pan.baidu.com/s/19Mw2u_df_nBzsC2lg20fQA ，提取码: j5ge ，解压后放在根目录。

训练步骤

训练VOC07+12数据集

1. 准备数据集：将下载的VOC07+12数据集解压后放于根目录。
2. 处理数据集：修改voc_annotation.py里的annotation_mode=2，运行该文件生成根目录下的2007_train.txt和2007_val.txt。
3. 开始训练：直接运行train.py即可开始训练。
4. 结果预测：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（指向检测类别所对应的txt），修改完成后运行predict.py，输入图片路径即可检测。

训练自己的数据集

1. 准备数据集：将标签文件放于VOCdevkit/VOC2007/Annotation中，图片文件放于VOCdevkit/VOC2007/JPEGImages中。
2. 处理数据集：修改voc_annotation.py里的classes_path指向自己建立的cls_classes.txt（里面写所需区分的类别），运行该文件生成训练用的2007_train.txt和2007_val.txt。
3. 开始训练：修改train.py里的classes_path（与voc_annotation.py里的txt一致），运行train.py开始训练，训练多个epoch后权值会生成在logs文件夹中。
4. 结果预测：同训练VOC07+12数据集的预测步骤。

预测步骤

使用预训练权重

1. 下载并解压库，将yolo_weights.pth放入model_data，运行predict.py，输入图片路径（如img/street.jpg）。
2. 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

1. 按训练步骤完成训练。
2. 在yolo.py里修改model_path（对应logs文件夹下的权值文件）和classes_path（是model_path对应分的类）。
3. 运行predict.py，输入图片路径。
4. 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

1. 无需利用voc_annotation.py生成ImageSets文件夹下的txt。
2. 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（指向检测类别所对应的txt）。
3. 运行get_map.py，评估结果会保存在map_out文件夹中。

评估自己的数据集

1. 若训练前运行过voc_annotation.py，代码会自动划分数据集；可修改voc_annotation.py里的trainval_percent和train_percent调整测试集比例。
2. 利用voc_annotation.py划分测试集后，修改get_map.py里的classes_path（与训练时的txt一致）。
3. 在yolo.py里修改model_path和classes_path。
4. 运行get_map.py，评估结果会保存在map_out文件夹中。

下载地址

点击下载 【提取码: 4003】【解压密码: www.makuang.net】