yjh0410 / PyTorch_YOLOv1

A new version of YOLOv1

PyTorch_YOLOv1

这个YOLOv1项目是配合我在知乎专栏上连载的《YOLO入门教程》而创建的：

https://zhuanlan.zhihu.com/c_1364967262269693952

感兴趣的小伙伴可以配合着上面的专栏来一起学习，入门目标检测。

当然，这里也诚挚推荐我的另一个YOLO项目，训练更加稳定，性能更好呦

https://github.com/yjh0410/PyTorch_YOLO-Family

配置环境

• 我们建议使用anaconda来创建虚拟环境:

conda create -n yolo python=3.6

• 然后，激活虚拟环境:

conda activate yolo

• 配置环境: 运行下方的命令即可一键配置相关的深度学习环境：

pip install -r requirements.txt 

网络结构

• Backbone: ResNet-18
• Neck: SPP

训练所使用的tricks

• 多尺度训练 (multi-scale)

数据集

VOC2007与VOC2012数据集

读者可以从下面的百度网盘链接来下载VOC2007和VOC2012数据集

链接：https://pan.baidu.com/s/1qClcQXSXjP8FEnsP_RrZjg

提取码：zrcj

读者会获得 VOCdevkit.zip压缩包, 分别包含 VOCdevkit/VOC2007 和 VOCdevkit/VOC2012两个文件夹，分别是VOC2007数据集和VOC2012数据集.

实验结果

VOC2007 test 测试集

Model	Input size	mAP	Weight
YOLOv1	320×320	64.6	-
YOLOv1	416×416	69.6	-
YOLOv1	512×512	72.2	-
YOLOv1	608×608	73.3	github

大家可以点击表格中的github来下载模型权重文件。

训练模型

运行下方的命令可开始在VOC数据集上进行训练：

python train.py \
        --cuda \
        -d voc \
        -ms \
        -bs 16 \
        -accu 4 \
        --lr 0.001 \
        --max_epoch 150 \
        --lr_epoch 90 120 \

其中，-bs 16表示我们设置batch size为16，-accu 4表示我们累加梯度4次，以此来近似使用64 batch size的训练效果。 倘若使用者将-bs设置更小，如8，请务必将-accu也做相应的调整，如8，以确保-bs x -accu = 64，否则，可能会出现训练不稳定的问题。

测试模型

运行下方的命令可开始在VOC数据集上进行训练：

python test.py \
        --cuda \
        -d voc \
        -size 416 \
        --weight path/to/weight \

验证模型

运行下方的命令可开始在VOC数据集上进行训练：

python eval.py \
        --cuda \
        -d voc \
        -size 416 \
        --weight path/to/weight \