YOLOv3-pytorch

A Simple PyTorch Implementation of YOLOv3.

이 프로젝트는 C로 구현된 원본 YOLOv3를 PyTorch로 재구현했습니다. YOLOv3의 학습, 테스트, demo를 지원합니다.

Project Introduction

• Motivation
  • YOLOv3가 PyTorch에서 작동할 수 있도록 하기 위해서 만들었습니다.
• Purpose
  • YOLOv3의 train, test, demo를 PyTorch에서 수행할 수 있습니다.
• Main functions
  • 딥러닝 모델의 핵심 기능 구현 (Train, Test, Demo)
  • 최대한 YOLOv3의 논문에서 언급한 것을 그대로 구현했습니다.

Build Status

How to Install

1. Anaconda 또는 Miniconda가 설치되어 있는지 확인하세요.

2. 새 가상환경을 만들고 아래의 개발 환경 섹션에서 언급한 라이브러리를 설치하세요.

   • conda install python=3.7 matplotlib tqdm

   • https://pytorch.org/get-started/locally/

3. 리포지토리를 클론, 포크하거나 압축파일로 코드를 다운로드하세요.

4. 데이터셋을 준비하세요.

   1. COCO: setup_coco_dataset.sh를 읽어보고 사전 준비를 한 후, 아래의 명령을 수행하세요.

      $ mv data/setup_coco_dataset.sh ./
      $ bash setup_coco_dataset.sh

   2. VOC

      1. 여기에서 데이터셋을 다운로드합니다.
      2. 아카이브 파일을 추출합니다. (VOCdevkit/VOC2007, VOCdevkit/VOC2012)

   3. voc_label.py의 docs를 읽어보고 YOLOv3에서 사용할 라벨을 만드세요.

5. 사전 훈련된 가중치 파일을 다운로드해서 ./weights 폴더로 옮기세요.

   1. yolov3.weights
   2. darknet53.conv.74

How to Use, Example

1. You should check arguments of each Python file and set it according to your environment.

2. Demo

   • $ python demo.py

   • If you click the below picture, this page will move to the Youtube video page.

3. Train

   • $ python train.py

   • You can check the training process with the TensorBoard.

   • $ bash exec_tensorboard.sh

4. Test

   • $ python test.py

   • Test results are saved as csv files. The table below shows the test results for each method.

     • Method	mAP (.50 IoU)	Inference time (ms)1
       YOLOv3 320 (paper)	51.5	22
       YOLOv3 320 (implementation)	52.5	32
       YOLOv3 416 (paper)	55.3	29
       YOLOv3 416 (implementation)	55.6	36
       YOLOv3 608 (paper)	57.9	51
       YOLOv3 608 (implementation)	57.1	48

       ¹ Results vary significantly depending on the execution environment.

API, Framework

• Python 3.7.7
• PyTorch 1.5.1
• Matplotlib
• Tensorboard 2.2.1
• Tqdm

Develop environment

• H/W develop environment
  • Intel Core i7-9700 CPU
  • RAM 32GiB
  • Geforce RTX 2070 Super
  • Samsung SSD 970 PRO 512GB
• S/W develop environment
  • Ubuntu 20.04 LTS (Primary support)
  • Windows10 20H1 (Secondary support)
  • Miniconda
  • Cuda 10.2
• Setting up develop environment
  1. Make sure you have Anaconda or Miniconda installed.
  2. Create a new virtual environment and install the above library.
  3. Download the code to your repository as a clone, fork or ZIP file.
  4. Open the downloaded file with your IDE or text editor.
  5. Start coding~!

Developer information and credits

• Developer

  • Clova - Github Profile

• Credits

  • YOLOv3: An Incremental Improvement [Paper] [Authors' Webpage] [Authors' Implementation]
  • How to implement a YOLOv3 object detector from scratch in PyTorch
  • eriklindernoren's PyTorch-YOLOv3 [Github]

Contribution method

1. Fork this repository.
2. Create a new branch or use the master branch in the GitHub Desktop.
3. Commit the modification.
4. Push on the selected branch.
5. Please send a pull request.

License

MIT License

You can find more information in LICENSE.