Skip to content

Latest commit

 

History

History
273 lines (215 loc) · 7.75 KB

README_CN.md

File metadata and controls

273 lines (215 loc) · 7.75 KB
Raw

实时通用目标检测

我们在尝试基于YOLO的核心理念来构建我们的实时通用目标检测代码库。我们复现了绝大部分的YOLO系列。另外，我们还写了一本YOLO的入门教程，我们希望通过学习YOLO这一十分受欢迎的通用目标检测框架可以让初学者掌握研究通用目标检测所必须的基础知识。

如果你对我们出版的图书很感兴趣，可以在中国的淘宝和京东等电商平台去购买。

image

配置运行环境

  • 首先，我们建议使用Anaconda来创建一个conda的虚拟环境
conda create -n rtcdet python=3.6
  • 然后, 请激活已创建的虚拟环境
conda activate rtcdet
  • 接着，配置环境:
  1. 首先安装基础环境
pip install -r requirements.txt
  1. (可选) 其次，可以考虑编译CUDA版本的 MSDeformableAttention 算子，以便使用DETR系列的检测器
cd ./ppdet/modeling/transformers/ext_op/

python setup_ms_deformable_attn_op.py install

See details

项目作者所使用的环境配置:

  • PyTorch = 1.9.1
  • Torchvision = 0.10.1

为了能够正常运行该项目的代码，请确保您的torch版本为1.x系列。

实验结果

VOC

  • 下载 VOC.
cd <PyTorch_YOLO_Tutorial>
cd dataset/scripts/
sh VOC2007.sh
sh VOC2012.sh
  • 检查 VOC
cd <PyTorch_YOLO_Tutorial>
python dataset/voc.py
  • 使用 VOC 训练模型

例如:

python train.py --cuda -d voc --root path/to/VOC -v yolov1 -bs 16 --max_epoch 150 --wp_epoch 1 --eval_epoch 10 --fp16 --ema --multi_scale

COCO

  • 下载 COCO.
cd <PyTorch_YOLO_Tutorial>
cd dataset/scripts/
sh COCO2017.sh
  • 清洗COCO
cd <RT-ODLab>
cd tools/
python clean_coco.py --root path/to/coco --image_set val
python clean_coco.py --root path/to/coco --image_set train
  • 检查 COCO
cd <PyTorch_YOLO_Tutorial>
python dataset/coco.py

当COCO数据集的路径修改正确后，运行上述命令应该会看到COCO数据的可视化图像。

  • 使用COCO训练模型

可以参考下方的命令：

python train.py --cuda -d coco --root path/to/COCO -m yolov1 -bs 16 --max_epoch 150 --wp_epoch 1 --eval_epoch 10 --fp16 --ema --multi_scale

另外，我们也提供了脚本 train.sh，可以让使用者一键开启训练。为了顺利使用此文件，请遵循下方提供的命令实例来输入相关的参数：

bash train.sh <model> <data> <data_path> <batch_size> <num_gpus> <master_port> <resume_weight>

例如，我们想使用该脚本来从头训练训练YOLOv3:

bash train.sh yolov3 coco path/to/coco 128 4 1699 None

如果从已有的权重文件来继续训练模型（比如训练终端的情况），可以参考下方的运行命令：

bash train.sh yolov3 coco path/to/coco 128 4 1699 path/to/yolov3.pth

测试

使用者可以参考下面的给出的例子在相应的数据集上去测试训练好的模型，正常情况下，使用者将会看到检测结果的可视化图像。

python test.py --cuda --dataset coco --root path/to/coco --model yolov1 --weight path/to/yolov1.pth --img_size 640 --show

验证

使用者可以参考下面的给出的例子在相应的数据集上去验证训练好的模型，正常情况下，使用者将会看到COCO风格的AP结果输出。

python eval.py --cuda --dataset coco --root path/to/coco --model yolov1 --weight path/to/yolov1.pth --img_size 640

如果使用者想测试模型在COCO test-dev数据集上的AP指标，可以遵循以下步骤：

  • 将上述命令中的coco修改为coco-test，然后运行；
  • 运行结束后，将会得到一个名为coco_test-dev.json的文件；
  • 将其压缩为一个.zip，按照COCO官方的要求修改压缩文件的名称，例如``;
  • 按照COCO官方的要求，将该文件上传至官方的服务器去计算AP。

Demo

本项目在data/demo/images/文件夹中提供了一些图片，使用者可以运行下面的命令去在本地的图片上测试用COCO训练出来的模型：

python demo.py --mode image \
               --path_to_img data/demo/images/ \
               --dataset coco \
               --cuda \
               --img_size 640 \
               --model yolov2 \
               --weight path/to/yolov2_coco.pth \
               --show

当然，如果你想测试的是用VOC训练出来的模型，而非COCO，则参考下面的运行命令即可：

python demo.py --mode image \
               --path_to_img data/demo/images/ \
               --dataset voc \
               --cuda \
               --img_size 640 \
               --model yolov2 \
               --weight path/to/yolov2_voc.pth \
               --show

如果使用者想在本地的视频上去做测试，那么你需要将上述命令中的--mode image修改为--mode video，并给--path_to_vid传入视频所在的文件路径，例如：

python demo.py --mode video \
               --path_to_vid data/demo/videos/your_video \
               --dataset coco \
               --cuda \
               --img_size 640 \
               --model yolov2 \
               --weight path/to/yolov2_coco.pth \
               --show \
               --gif

如果使用者想用本地的摄像头（如笔记本的摄像头）去做测试，那么你需要将上述命令中的--mode image修改为--mode camera，例如：

python demo.py --mode camera \
               --cuda \
               --dataset coco \
               --img_size 640 \
               --model yolov2 \
               --weight path/to/yolov2_coco.pth \
               --show \
               --gif

检测的例子

  • Detector: YOLOv2

运行命令如下：

python demo.py --mode video \
               --path_to_vid ./dataset/demo/videos/000006.mp4 \
               --cuda \
               --dataset coco \
               --img_size 640 \
               --model yolov2 \
               --weight path/to/yolov2_coco.pth \
               --show \
               --gif

结果如下：

image

目标跟踪

该项目也支持多目标跟踪任务。我们使用本项目的YOLO检测器作为“tracking-by-detection”的检测器，并使用简单高效的ByteTrack作为跟踪器。

  • images tracking
python track.py --mode image \
                --path_to_img path/to/images/ \
                --cuda \
                --img_size 640 \
                -dt yolov2 \
                -tk byte_tracker \
                --weight path/to/yolov2_coco.pth \
                --show \
                --gif
  • video tracking
python track.py --mode video \
                --path_to_img path/to/video/ \
                --cuda \
                --img_size 640 \
                -dt yolov2 \
                -tk byte_tracker \
                --weight path/to/yolov2_coco.pth \
                --show \
                --gif
  • camera tracking
python track.py --mode camera \
                --cuda \
                --img_size 640 \
                -dt yolov2 \
                -tk byte_tracker \
                --weight path/to/yolov2_coco.pth \
                --show \
                --gif

多目标跟踪的例子

  • Detector: YOLOv2
  • Tracker: ByteTracker
  • Device: i5-12500H CPU

运行命令如下：

python track.py --mode video \
                --path_to_img ./dataset/demo/videos/000006.mp4 \
                --img_size 640 \
                -dt yolov2 \
                -tk byte_tracker \
                --weight path/to/yolov2_coco.pth \
                --show \
                --gif

结果如下：

image