简体中文 | English
PP-YOLO是百度AI优化和改进的YOLOv3的模型,百度官方给出的精度(COCO数据集mAP)和推理速度均优于YOLOv4模型。COCO test-dev2017数据集上精度达到45.9%,在单卡V100上FP32推理速度为72.9 FPS, V100上开启TensorRT下FP16推理速度为155.6 FPS。
second_drop_block=False
,即可和原论文保持一致。yolo_loss_type=yolov5
,具体细节可参考YOLOv5章节说明,设置为None将采用PP-YOLO定义的损失函数定义,设置为yolov4将采用原始YOLO系列损失函数。请自行下载ResNet50预训练模型
下载地址:https://download.pytorch.org/models/resnet50-19c8e357.pth
修改配置项pretrained=ResNet50本地存放位置
type='PPYOLODetector',
pretrained='ResNet50预训练模型本地存放位置',
backbone=dict(
type='ResNet',
depth=50,
num_stages=4,
out_indices=(1, 2, 3),
frozen_stages=1,
norm_cfg=dict(type='BN', requires_grad=True),
norm_eval=True,
style='pytorch',
dcn=dict(type='DCNv2',deformable_groups=1, fallback_on_stride=False),
# dcn=None,
stage_with_dcn=(False, False, False, True)
)
自行准备训练需要的数据集,指定需要训练的数据位置,具体操作请查看【这里】有关数据集准备,可查看yolov4相关章节,点击【这里】快速到达。
python tools/train.py ${CONFIG_FILE}
如果您想在命令中指定工作目录,可以添加一个参数--work_dir ${YOUR_WORK_DIR}
。
例如采用YOLOv4训练模型:
python tools/train.py cfg/yolov4_coco_100e.py --device ${device} --validate
python tools/train.py ${CONFIG_FILE} --device ${device} [optional arguments]
例如采用YOLOv4训练模型:
python tools/train.py cfg/yolov4_coco_100e.py --device 0,1,2 --validate
可选参数:
--validate
(强烈建议):在训练epoch期间每一次k(默认值是1,可以像这样修改this)来执行评估。
--work_dir ${WORK_DIR}
:覆盖配置文件中指定的工作目录。
--device ${device}
: 指定device训练, 0 or 0,1,2,3 or cpu,默认全部使用。
--resume_from ${CHECKPOINT_FILE}
:从以前训练的checkpoints文件恢复训练。
--multi-scale
:多尺度缩放,尺寸范围为训练图片尺寸+/- 50%
resume_from
和load_from
的不同:
resume_from
加载模型权重和优化器状态,并且训练也从指定的检查点继续训练。它通常用于恢复意外中断的训练。
load_from
只加载模型权重,并且训练从epoch 0开始。它通常用于微调。
此处可能存在不合适展示的内容,页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容,可点击提交进行申诉,我们将尽快为您处理。