MindSpore YOLOv3-DarkNet53 动物物种检测实践

本文档用于指导大家在GPU环境下完成MindSpore YOLOv3-DarkNet53动物物种检测实践。

注意： 该教程的代码是基于v1.2.0及以上版本的MindSpore (https://gitee.com/mindspore/mindspore/tree/r1.2/) 运行的。

上手指导

安装依赖库

• Python库

  pip install opencv-python flask easydict flask_cors pillow pandas
  

• MindSpore (v1.2.0)

  为方便快速上手实践，可直接使用MindSpore GPU容器部署环境。使用MindSpore的安装教程请移步至 MindSpore安装页面.

单张推理（yolo_web）

该项目代码用于部署推理可视化项目，其中pages目录存放前端页面，可在web界面执行单张物种检测任务

推理图片准备

在web界面上传待推理图片

模型推理

事先将yolov3预训练模型置于指定目录下（如：./ckpt_path）

部署前端web项目

可安装nginx进行部署

执行sever.py脚本，启动后台

```
python server.py
```

批量推理项目（yolo_batch）

该项目代码用于执行物种批量检测任务

推理数据集准备

事先将推理任务所需的数据集置于指定文件夹（如：/dataset/eval_data）的images目录下

模型推理

事先将yolov3预训练模型置于指定目录下（如：./ckpt_path）

执行指令

```
python predict_batch.py --data_dir /dataset/eval_data --ignore_threshold 0.1 --pretrained ./ckpt-path/yolov3.ckpt
```

许可证

Apache License 2.0