YOLOv3 的最小化 PyTorch 實現

該庫給 YOLOv3 提供了一些更新，並且做了些小的設計使其變得更好，同時還訓練了新的網路。它更加精確，運行速度同樣很快。在 320×320 YOLOv3 上以 22.2 mAP 運行 22 ms，與 SSD 一樣準確，但速度提高了三倍。在 Titan X上，它能在 51 ms 內達到 57.9 AP50，相比較而言，RetinaNet 在 198 ms 內達到 57.5 AP50，性能相似但速度快了 3.8 倍。和往常一樣，所有代碼都可在 https://pjreddie.com/yolo/ 上找到。

Github：

https://github.com/eriklindernoren/PyTorch-YOLOv3

安裝：

$gitclonehttps://github.com/eriklindernoren/PyTorch-YOLOv3

$cdPyTorch-YOLOv3/

$sudo pip3 install -r requirements.txt

下載預訓練權值

$cdweights/

$bash download_weights.sh

下載 COCO

$cddata/

$bash get_coco_dataset.sh

使用預訓練權值訓練圖像，下圖顯示了將輸入圖像縮放為 256x256 時的推理時間。

$python3detect.py--image_folder /data/samples

測試

在 COCO 測試中評估模型。

$python3test.py--weights_path weights/yolov3.weights

訓練

在 COCO 上訓練，數據增強和其他訓練技巧有待優化。

train.py[-h][--epochs EPOCHS][--image_folder IMAGE_FOLDER]

[--batch_size BATCH_SIZE]

[--model_config_path MODEL_CONFIG_PATH]

[--data_config_path DATA_CONFIG_PATH]

[--weights_path WEIGHTS_PATH][--class_path CLASS_PATH]

[--conf_thres CONF_THRES][--nms_thres NMS_THRES]

[--n_cpu N_CPU][--img_size IMG_SIZE]

[--checkpoint_interval CHECKPOINT_INTERVAL]

[--checkpoint_dir CHECKPOINT_DIR]

Credit

@article,

author=,

journal = ,

year={2018}

}

從Python入門-如何成為AI工程師

BAT資深演算法工程師獨家研發課程

最貼近生活與工作的好玩實操項目

班級管理助學搭配專業的助教答疑

學以致用拿offer，學完即推薦就業

新人福利

關注 AI 研習社（okweiwu），回復1領取

【超過 1000G 神經網路 / AI / 大數據資料】

YOLO 升級到 v3 版，速度相比 RetinaNet 快 3.8 倍

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！