PulseFocusPlatform/static/configs/yolov4

YOLO v4 模型

内容

• 简介
• 模型库与基线
• 未来工作
• 如何贡献代码

简介

YOLO v4的Paddle实现版本，要求使用PaddlePaddle2.0.0及以上版本或适当的develop版本

目前转换了darknet中YOLO v4的权重，可以直接对图片进行预测，在test-dev2019中精度为43.5%。另外，支持VOC数据集上finetune，精度达到85.5%

目前支持YOLO v4的多个模块：

• mish激活函数
• PAN模块
• SPP模块
• ciou loss
• label_smooth
• grid_sensitive

目前支持YOLO系列的Anchor聚类算法

python tools/anchor_cluster.py -c ${config} -m ${method} -s ${size}

主要参数配置参考下表

参数	用途	默认值	备注
-c/--config	模型的配置文件	无默认值	必须指定
-n/--n	聚类的簇数	9	Anchor的数目
-s/--size	图片的输入尺寸	None	若指定，则使用指定的尺寸，如果不指定, 则尝试从配置文件中读取图片尺寸
-m/--method	使用的Anchor聚类方法	v2	目前只支持yolov2/v5的聚类算法
-i/--iters	kmeans聚类算法的迭代次数	1000	kmeans算法收敛或者达到迭代次数后终止
-gi/--gen_iters	遗传算法的迭代次数	1000	该参数只用于yolov5的Anchor聚类算法
-t/--thresh	Anchor尺度的阈值	0.25	该参数只用于yolov5的Anchor聚类算法

模型库

下表中展示了当前支持的网络结构。

	GPU个数	测试集	骨干网络	精度	模型下载	配置文件
YOLO v4	-	test-dev2019	CSPDarkNet53	43.5	下载链接	配置文件
YOLO v4 VOC	2	VOC2007	CSPDarkNet53	85.5	下载链接	配置文件

注意:

• 由于原版YOLO v4使用coco trainval2014进行训练，训练样本中包含部分评估样本，若使用val集会导致精度虚高，因此使用coco test集对模型进行评估。
• YOLO v4模型仅支持coco test集评估和图片预测，由于test集不包含目标框的真实标注，评估时会将预测结果保存在json文件中，请将结果提交至cocodataset上查看最终精度指标。
• coco测试集使用test2017，下载请参考coco2017

未来工作

1. mish激活函数优化
2. mosaic数据预处理实现

如何贡献代码

我们非常欢迎您可以为PaddleDetection提供代码，您可以提交PR供我们review；也十分感谢您的反馈，可以提交相应issue，我们会及时解答。