YOLO代码详解（一）

darren_ying0000

已于 2023-07-14 21:55:46 修改

阅读量2k

点赞数

文章标签： YOLO

于 2023-07-14 16:25:04 首次发布

本文链接：https://blog.youkuaiyun.com/darren_ying0803/article/details/131535020

版权

源码fork自该版本，代码注释借鉴多处，仅供个人学习记录。

YOLOv3 代码梳理

0.文件结构

在这里插入图片描述

config: 配置文件，包含超参数、网络结构等信息
data: 训练图片、训练标签等信息
pytorchyolo：项目需要使用到的工具代码,运行代码
weights: 权重文件

0.1 config:

在这里插入图片描述

├── coco.data
├── create_custom_model.sh # 创建自定义.cfg用的脚本
├── custom.data
├── yolov3-tiny.cfg # 模型定义文件
├── yolov3.cfg # 模型定义文件

0.1.1 coco.data:

coco数据的配置文件

classes= 80
train=data/coco/trainvalno5k.txt
valid=data/coco/5k.txt
names=data/coco.names
backup=backup/
eval=coco

class=80

表示类别的数量

train=data/coco/trainvalno5k.txt
valid=data/coco/5k.txt

coco数据集的训练集数据地址和验证集数据地址

backup=backup/

备份文件

eval=coco

0.1.2 create_custom_model.sh

create_custom_model.sh是用来执行自定义模型的文件，建自定义.cfg用的脚本

0.1.3 custom.data:

classes= 1 # 类别数量
train=data/custom/train.txt # 存放训练集图片地址的txt
valid=data/custom/valid.txt # 存放验证集图片地址的txt
names=data/custom/classes.names # 类别名称

0.2 data:

── coco
│ └── 5k.txt
├── coco.names
├── custom
│ ├── classes.names
│ ├── images
│ │ └── train.jpg
│ ├── labels
│ │ └── train.txt
│ ├── train.txt
│ └── valid.txt
├── get_coco_dataset.sh
└── samples

0.2.1 custom

在这里插入图片描述

这里的customer文件夹配合上面的custom.data，就是完整的自定义训练集的配置文件了。
images：存放训练验证图片

labels: （可通过代码将xml格式文件进行转换）存放YOLO格式的标签其中每一个.txt对应images中一个.jpg；.txt中每一行对应一个gt框。坐标均除以原图的长宽以归一化。第一个是标签号，从0开始中心点x坐标中心点y坐标标注框的宽标注框的高。

classes.names：这里面写的是所有类别的标签，标签用换行符隔开，最后一行末尾没有换行符。类别名称的顺序与类别标号对应

train.txt: 训练数据的地址

valid.txt: 验证数据的地址

1 推理介绍

detect.py 文件

该文件的作用、推理过程：

1、配置参数。
2、加载模型。
3、加载数据。
4、推理&绘制

1.1 配置参数

 parser = argparse.ArgumentParser(description="Detect objects on images.")
    parser.add_argument("-m", "--model", type=str, default="config/yolov3.cfg", help="Path to model definition file (.cfg)")  #网络结构
    parser.add_argument("-w", "--weights", type=str, default="weights/yolov3.weights", help="Path to weights or checkpoint file (.weights or .pth)") #权重文件
    parser.add_argument("-i", "--images", type=str, default="data/samples", help="Path to directory with images to inference")# 推理图片路径
    parser.add_argument("-c", "--classes", type=str, default="data/coco.names", help="Path to classes label file (.names)") # 类别名称
    parser.add_argument("-o", "--output", type=str, default="output", help="Path to output directory") # 输出路径
    parser.add_argument("-b", "--batch_size", type=int, default=1, help="Size of each image batch") 
    parser.add_argument("--img_size", type=int, default=416, help="Size of each image dimension for yolo")
    parser.add_argument("--n_cpu", type=int, default=0, help="Number of cpu threads to use during batch generation")
    parser.add_argument("--conf_thres", type=float, default=0.5, help="Object confidence threshold") # 置信度阈值
    parser.add_argument("--nms_thres", type=float, default=0.4, help="IOU threshold for non-maximum suppression") # nms阈值
    args = parser.parse_args()

1.2 加载模型

进入detect_directory 开始推理

def detect_directory(...):
    dataloader = _create_data_loader(img_path, batch_size, img_size, n_cpu)
    model = load_model(model_path, weights_path)
    img_detections, imgs = detect(model,dataloader, output_path, conf_thres,nms_thres)
    _draw_and_save_output_images(img_detections, imgs, img_size, output_path, classes)

model = load_model(model_path, weights_pat 加载模型

def load_model(model_path, weights_path=None):
    device = torch.device("cuda" if torch.cuda.is_available()
                          else "cpu")  # Select device for inference
    model = Darknet(model_path).to(device)

    model.apply(weights_init_normal)

    # If pretrained weights are specified, start from checkpoint or weight file
    if weights_path:
        if weights_path.endswith(".pth"):
            # Load checkpoint weights
            model.load_state_dict(torch.load(weights_path, map_location=device))
        else:
            # Load darknet weights
            model.load_darknet_weights(weights_path)
    return model

这里利用自定义的Darknet——一个自定义的nn.Module——来解析模型的网络结构文件（yolov3.cfg）

yolov3.cfg文件
见博客 https://editor.youkuaiyun.com/md/?articleId=131627851

Darknet类

这个类在models.py里面。该类的init方法里面，就将配置文件转化为以nn.ModuleList表示的网络结构了。
models.py ->class Darknet(nn.Modules)

class Darknet(nn.Module):
    """YOLOv3 object detection model"""

    def __init__(self, config_path):
        super(Darknet, self).__init__()
        self.module_defs = parse_model_config(config_path)
        ## 使用 parse_model_config函数 解析.cfg文件，输出的是一个包含配置信息的list
        
        self.hyperparams, self.module_list = create_modules(self.module_defs)
		## 使用 create_modules函数， 输出配置信息list，得到网络的超参数hyperparams和nn.Modulelist(module_list)
	
        self.yolo_layers =

最低0.47元/天解锁文章