PPYOLO implemented in Pytorch
pytorch 1.5.0
torchvision 0.6.0
Original Paper(PaddlePaddle): https://github.com/PaddlePaddle/PaddleDetection This Repo is forked from https://github.com/miemie2013/Pytorch-PPYOLO
Keras YOLOv3: https://github.com/miemie2013/Keras-DIOU-YOLOv3
Pytorch YOLOv3: https://github.com/miemie2013/Pytorch-DIOU-YOLOv3
PaddlePaddle YOLOv3: https://github.com/miemie2013/Paddle-DIOU-YOLOv3
PaddlePaddle yolact: https://github.com/miemie2013/PaddlePaddle_yolact
Keras YOLOv4: https://github.com/miemie2013/Keras-YOLOv4 (mAP 41%+)
Pytorch YOLOv4: https://github.com/miemie2013/Pytorch-YOLOv4 (mAP 41%+)
Paddle YOLOv4: https://github.com/miemie2013/Paddle-YOLOv4 (mAP 41%+)
PaddleDetection SOLOv2: https://github.com/miemie2013/PaddleDetection-SOLOv2
Pytorch FCOS YOLOv4: https://github.com/miemie2013/Pytorch-FCOS
Paddle FCOS YOLOv4: https://github.com/miemie2013/Paddle-FCOS
Keras CartoonGAN: https://github.com/miemie2013/keras_CartoonGAN
Pytorch PPYOLO: https://github.com/miemie2013/Pytorch-PPYOLO (mAP 44.8%)
EMA (지수 이동 평균) : config / ppyolo_2x.py에서 self.use_ema = True를 수정하여 엽니 다. 닫으려면 config / ppyolo_2x.py에서 self.use_ema = False를 수정하십시오.
DropBlock : 피처 맵에 무작위로 픽셀을 드롭합니다.
IoU 손실 : Iou 손실.
IoU Aware : 예측 상자와 gt의 iou를 예측합니다. 그리고 그것은 objness에 작용합니다.
그리드 감지 : 예측 상자 중심점의 xy는 그리드를 벗어날 수 있으며 gt 중심점은 그리드 선에 있습니다.
Matrix NMS : SOLOv2에서 제안한 알고리즘은 soft-nm 등을 기반으로 병렬화되고 가속화됩니다. 예측 상자에 유사한 높은 점수 상자가있는 경우 직접 버리는 대신 예측 상자의 점수를 낮 춥니 다. 여기서는 mask iou 대신 box iou를 사용합니다.
CoordConv : 기능 맵에있는 픽셀의 좌표 정보 (채널 수 + 2).
SPP : 3 개의 풀링 레이어와 원본 이미지 스티칭의 출력.
Install DCNv2
cd external/DCNv2
python setup.py build develop
Install requirements
pip install -r requirements.txt
apt update -y
apt install libgl1-mesa-glx -y
apt-get install libglib2.0-0 -y
Simply run
python train.py
It will train new model based on configs defined in config/ppyolo_2x.py
##Train using Pretrained Model 下载我从PaddleDetection的仓库保存下来的pytorch模型ppyolo_2x.pt 链接：https://pan.baidu.com/s/18ZUQMWF7qPJ7K7xqx1VnpQ 提取码：6hph
该模型在COCO2017 val集的mAP如下
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.448
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.649
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.492
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.265
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.483
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.593
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.337
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.571
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.624
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.420
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.665
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.773
##validation python eval.py
##test python demo.py