Advertisement

Yolov4-Pytorch源码：适用于自定义模型训练的代码库

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本项目提供了基于PyTorch实现的YOLOv4深度学习目标检测框架源码，便于用户进行模型定制与训练。 YOLOV4：您只看一次目标检测模型在pytorch当中的实现 2021年2月7日更新：加入letterbox_image的选项，关闭letterbox_image后网络的地图得到大幅度提升。 目录： - 性能情况 - 训练数据集权值文件名称测试数据集输入图片大小行动计划0.5：0.95 行动计划0.5 - VOC07 + 12 + 可可VOC-Test07，416x416 -- 89.0 - 2017年COCO火车 COCO-Val2017, 416x416, mAP: 46.1 (box), 70.2 (seg) 实现的内容： - 主干特征提取网络：DarkNet53 => CSPDarkNet53 - 特征金字塔：SPP，PAN - 训练用到的小技巧：马赛克数据增强，标签平滑，CIOU，学习率余弦逐步衰减 - 激活函数：使用Mish激活函数 所需环境： 火炬== 1.2.0 注意事项： 代码中的yolo4_we

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Yolov4-Pytorch源码：适用于自定义模型训练的代码库
    优质
    本项目提供了基于PyTorch实现的YOLOv4深度学习目标检测框架源码，便于用户进行模型定制与训练。 YOLOV4：您只看一次目标检测模型在pytorch当中的实现 2021年2月7日更新：加入letterbox_image的选项，关闭letterbox_image后网络的地图得到大幅度提升。 目录： - 性能情况 - 训练数据集权值文件名称测试数据集输入图片大小行动计划0.5：0.95 行动计划0.5 - VOC07 + 12 + 可可VOC-Test07，416x416 -- 89.0 - 2017年COCO火车 COCO-Val2017, 416x416, mAP: 46.1 (box), 70.2 (seg) 实现的内容： - 主干特征提取网络：DarkNet53 => CSPDarkNet53 - 特征金字塔：SPP，PAN - 训练用到的小技巧：马赛克数据增强，标签平滑，CIOU，学习率余弦逐步衰减 - 激活函数：使用Mish激活函数 所需环境： 火炬== 1.2.0 注意事项： 代码中的yolo4_we
     
  • RetinaNet-PyTorch: 适用于自定义模型训练的源代码
    优质
    简介：RetinaNet-PyTorch 是一个用于自定义模型训练的高质量开源代码库，基于PyTorch框架实现，提供灵活且高效的物体检测解决方案。 Retinanet：目标检测模型在Pytorch中的实现 目录性能情况： - 训练数据集：VOC07+12 - 测试数据集：VOC-Test07 - 输入图片大小：600x600 - mAP 0.5: 81.56% - mAP 0.5:0.95 所需环境： torch==1.2.0 文件下载： 训练所需的retinanet_resnet50.pth可以在百度云下载。 VOC数据集下载地址如下： - VOC2007+2012训练集 - VOC2007测试集 预测步骤： a、使用预训练权重。首先解压库，然后在百度网盘下载retinanet_resnet50.pth，并放入model_data目录中，运行predict.py文件并输入img/street.jpg。 b、利用video.py可以进行摄像头检测。 c、使用自己训练的权重按照上述步骤操作即可。
     
  • PSPNet-PyTorch: 用于训练自定义模型的源代码
    优质
    PSPNet-PyTorch是一款基于PyTorch框架开发的代码库，专为训练个性化图像分割模型设计。它提供了一个灵活且高效的平台，助力研究者快速实现并优化自己的深度学习项目。 PSPNet：Pyramid Scene Parsing Network是一种语义分割模型，在Pytorch中的实现情况如下： - **训练数据集**：VOC12+SBD - **测试数据集**：VOC-Val12473x473 - **输入图片大小**: 473x473 - **mIOU（在VOC拓展数据集上的表现）**: - PSPNet+MobileNetv2: 68.59% - PSPNet+Resnet50: 81.44% 所需环境： - torch==1.2.0 注意事项：代码中的`pspnet_mobilenetv2.pth`和`pspnet_resnet50.pth`是基于VOC拓展数据集训练的。在进行训练和预测时，需要根据具体情况修改backbone。 文件下载提示：所需的权重文件（如训练用到的 `pspnet_mobilenetv2.pth` 和 `pspnet_resnet50.pth`）可以通过百度网盘下载得到。 链接及提取码请自行查找。
     
  • RetinaFace-PyTorch: 该源码可用于训练自定义模型
    优质
    RetinaFace-PyTorch是一款基于PyTorch框架的人脸关键点检测和面部属性识别的代码库，支持用户定制化模型训练。 Retinaface：人脸检测模型在Pytorch中的实现目录性能情况及训练数据集： - 权值文件名称： - Retinaface_mobilenet0.25.pth（适用于MobileNet架构） - Retinaface_resnet50.pth（适用于ResNet50架构） - 测试数据集输入图片大小：1280x1280 - 性能情况： - Easy: 89.76% - Medium: 86.96% - Hard: 74.69% （使用Retinaface_mobilenet0.25.pth） - 性能情况： - Easy: 94.72% - Medium: 93.13% - Hard: 84.48% （使用Retinaface_resnet50.pth） 注意事项：本库下载后可以直接进行预测，已经在model_data文件夹下存放了Retinaface_mobilenet0.25.pth文件，可用于预测。如果想要使用基于ResNet50的retinaface，请下载相应的权重文件。 所需环境： - Pytorch - 其他依赖项（具体请参阅文档或README）
     
  • 使用PyTorch在Google Colab上训练YOLOv4以适应自定义数据集
    优质
    本项目介绍如何利用PyTorch框架，在Google Colaboratory平台上高效运行资源密集型的YOLOv4模型，并对其进行定制化训练，使之适用于特定的数据集。 你可以在上面轻松地运行如 Keras、TensorFlow 和 PyTorch 等框架；其次是入门相对简单，语法与命令行语句以及 Linux 语句相似。目前 Colab 平台的 GPU 状态信息如下图所示：原创文章3篇，获赞2次，访问量186人次。
     
  • EfficientDet-Keras: 一个可用于自定义模型训练的源代码
    优质
    EfficientDet-Keras是基于Keras框架开发的一个高效目标检测库，支持用户轻松定制和训练个性化模型。 Efficientdet是一种可扩展且高效的物体目标检测模型，在Keras中的实现情况如下： - 训练数据集：VOC07+12 - 权值文件名称：Efficientdet-D0和Efficientdet-D1的voc权重，以及Efficientnet-b0到Efficientnet-b7的权重。 - 测试数据集：VOC-Test07 - 输入图片大小：512x512、640x640 - mAP 0.5:0.95 ：83.2（对于输入大小为512x512的情况） - mAP 0.5 ：84.2（对于输入大小为640x640的情况） 所需环境： tensorflow-gpu==1.13.1 keras==2.1.5 训练所需的h5文件可以在百度网盘下载，包括Efficientdet-D0和Efficientdet-D1的voc权重以及用于迁移学习的Efficientnet-b0到b7的权重。这些可以直接用于预测。 VOC数据集可以从相关平台或网站获取，其中包括2007年与2012年的训练集合。
     
  • Yolov4的预训练模型
    优质
    Yolov4的预训练模型是基于先进的YOLOv4目标检测算法预先训练得到的权重文件，广泛应用于图像识别与视频分析等领域，可大幅提高模型在特定任务上的泛化能力和收敛速度。 Yolov4的预训练模型可以用于各种目标检测任务，它在多个数据集上进行了预先训练，因此可以直接应用于新项目或进行微调以适应特定需求。这种模型能够快速准确地识别图像中的对象，并且性能优越。
     
  • YOLOv4预训练模型 yolo4_weights.pth
    优质
    YOLOv4预训练模型yolo4_weights.pth是一款先进的目标检测模型权重文件，基于YOLOv4架构优化而成，适用于多种场景下的实时物体识别任务。 yolo4_weights.pth
     
  • DehazeNet PyTorch代码（附带预训练模型）
    优质
    简介：DehazeNet是专为去除雾霾等大气散射效应设计的深度学习网络。本项目提供PyTorch实现及预训练模型，便于研究与应用开发。 DehazeNet是一种基于深度学习的图像去雾网络模型，主要用于提高因大气散射导致雾霾或雾气影响下的图像清晰度。PyTorch是一个流行的深度学习框架，以其灵活性和易用性受到广大开发者的喜爱。这个资源包含了在PyTorch中实现的DehazeNet以及已经训练好的模型，使得用户可以直接应用或者进行二次开发。 让我们深入了解一下DehazeNet模型。该模型由Cai等人于2016年提出，其设计目标是模拟人眼对雾天场景的理解过程，并通过深度神经网络恢复清晰图像。DehazeNet的核心在于结合了物理模型与学习模型：利用大气散射模型来估计传输层和大气光，同时通过卷积神经网络（CNN）学习到图像的清晰特征，实现去雾处理。 该模型架构包括两个主要部分： 1. 前馈网络用于估计传输层。它由几个卷积层组成，可以捕捉图像的局部信息。 2. 上下文感知网络则用于预测大气光，采用了残差学习以更好地捕获全局信息，并减少训练难度。 这两个部分的输出结合后，通过大气散射模型反向传播得到去雾后的图像。 使用PyTorch实现DehazeNet具有以下优点： 1. 易于理解和修改：由于PyTorch的动态图机制使得模型构建和调试更为直观，用户可以方便地查看并调整网络结构。 2. 高效训练：借助PyTorch的优化器及数据加载工具能够加速训练过程，并节省计算资源。 3. 可视化：利用如TensorBoard等可视化工具可帮助理解模型内部工作原理，从而优化性能。 在提供的压缩包中通常会包含以下内容： 1. `model.py`：定义DehazeNet的网络结构。 2. `train.py`：训练模型脚本，包括数据加载、损失函数定义和优化器设置等。 3. `test.py`：测试模型脚本，可以用来评估在新数据上的表现。 4. `dataset/`：可能包含预处理好的训练与测试数据集。 5. `pretrained_model/`：预训练的DehazeNet权重文件，可以直接用于预测或继续微调。 6. `config.py`：配置超参数设置。 7. `utils.py`：辅助函数，如数据预处理和结果保存等。 要使用这个资源，请先安装PyTorch框架，并按照提供的文档说明进行数据准备、模型加载以及训练测试。如果希望调整模型参数或者改进，则可以修改相应的配置文件或代码。对于图像去雾任务，你可以将待处理的雾天图像输入此模型以获取清晰结果。 该资源为研究和实践图像去雾技术提供了一个完整的解决方案，无论你是深度学习初学者还是经验丰富的开发者都可以从中受益。通过学习并应用DehazeNet，你不仅能掌握一种实用的图像处理技术，还能深化对深度学习模型设计与优化的理解。