本仓库为在已有的优秀的yolvo3的实现上，为方便自己使用修改得到。目前只是一个很初级的版本，性能尚有不足，后续将持续改进。
按照如下的方式下载Pascal VOC数据集：
在任意位置（如mydata），执行如下语句：
wget https://pjreddie.com/media/files/VOCtrainval_11-May-2012.tar
wget https://pjreddie.com/media/files/VOCtrainval_06-Nov-2007.tar
wget https://pjreddie.com/media/files/VOCtest_06-Nov-2007.tar
tar xf VOCtrainval_11-May-2012.tar
tar xf VOCtrainval_06-Nov-2007.tar
tar xf VOCtest_06-Nov-2007.tar接着，在mydata目录下，执行：
mkdir voc
cp VOCdevit/VOC2007/JPEGImages ./voc/
cp VOCdevit/VOC2007/Annotations ./voc/
cp VOCdevit/VOC2012/JPEGImages/* ./voc/JPEGImages/
cp VOCdevit/VOC2012/Annotations/* ./voc/Annotations/
mkdir ./voc/ImageSets
mkdir ./voc/ImageSets/Main
cat VOCdevit/VOC2007/ImageSets/Main/train.txt VOCdevit/VOC2007/ImageSets/Main/val.txt VOCdevit/VOC2012/ImageSets/Main/train.txt VOCdevit/VOC2012/ImageSets/Main/val.txt > ./voc/ImageSets/Main/train.txt
cp VOCdevit/VOC2007/ImageSets/Main/test.txt voc/ImageSets/Main/
rm -r VOCdevit接着，进入项目根目录（mydata即为上述数据集的下载根目录），执行：
mkdir data
ln mydata/voc ./data/在项目根目录下执行：
python scripts/prepare_voc.py执行完成后，将在./data/voc目录下生成三个文件夹：
train: 存放训练图片
train_txt: 存放各个图片所对应的标注文件
categories_id_to_name.json: 类别id到名称的转换文件cd checkpoints/official_weights
wget https://pjreddie.com/media/files/darknet53.conv.74本项目目前只支持单GPU训练
在项目根目录下执行：
python train.py
# 如果设备上有多台GPU，请使用下述语句
CUDA_VISIBLE_DEVICES=0 python train.py在训练过程中，中间文件将被保存在./checkpoints/backup下的文件夹内，例如checkpoints/backup/log-2020-06-02T10-32-09。
进入checkpoints/backup/log-2020-06-02T10-32-09下的tensorboard目录，执行：
tensorboard --logdir=./训练完成后，使用test.py文件进行测试。将test.py文件中的权重路径修改为待测试的.pth的路径，如：
weight_path = "checkpoints/backup/log-2020-06-02T10-32-09/weights/yolov3_79.pth"在项目根目录下执行：
python test.py
# 如果设备上有多台GPU，请使用下述语句
CUDA_VISIBLE_DEVICES=0 python test.py结果可视化使用的程序文件为detect.py文件。
-
请确保该文件中的网络结构配置文件、权重文件等文件相互匹配。
-
将待测试图片放在
data/test_images下。 -
在根目录下执行：
python detect.py
检测结果将被存放在data/test_results文件夹内。结果如下：
本工程的所有的超参数管理均由config.json一个文件完成，提供如下的功能：
- 学习率、epoch等基础参数修改；
- 提供多种学习率衰减策略；
- 提供多种优化算法（SGD、Adam等）；
- 多尺度训练；
- Mosaic数据增强（测试中）；
- 左右翻转、上下翻转等普通的数据增强（测试中）；
- GIoU边框回归损失（测试中）。
- mosaic数据增强；
- voc数据集上的性能较低，待提升；
- 网络结构轻量化，包括剪枝、量化、知识蒸馏等；
- Jetson Nano部署。
- 在使用Mosaic和训练集数据增强时，如果使用SGD优化器，学习率最高只能是1e-4，否则会导致训练不稳定；但如果使用Adam，则学习率可以调整为1e-3。
在编写本项目中，参考了如下两个优秀的项目实现：
调了好久了，卡在一个点上不动，目前还没有找出问题。还望能找出问题的大佬和我交流一下。