【论文源码实战】EdgeYOLO: 边缘设备友好的无锚框检测器

前言

这篇文章介绍了一种名为EdgeYOLO的高效、低复杂度且无锚点（anchor-free）的实时目标检测器，它基于最先进的YOLO框架，并能在边缘计算平台上实时运行。主要贡献包括：

1. 设计了一个无锚点的目标检测器，能在边缘设备上实时运行，并在MS COCO2017数据集上达到50.6%的AP精度。

2. 提出了一种更强大的数据增强方法，确保了训练数据的数量和有效性。

3. 使用可重新参数化的结构来减少推理时间。

4. 设计了一种损失函数，提高了对小目标的检测精度。

文章还详细介绍了EdgeYOLO的关键技术，包括增强的数据增强方法、轻量级解耦头(Lite-Decoupled Head)、分阶段损失函数(Staged Loss Function)以及针对小目标检测的优化。

总的来说，这篇文章提出了一种适用于边缘计算设备的高效实时目标检测器EdgeYOLO，通过一系列创新技术提高了小目标的检测精度，并在保持实时性的同时减少了模型的复杂度。未来的工作将进一步提高小目标的检测精度，并探索更高效的优化方法。

一、项目下载

git clone https://github.com/LSH9832/edgeyolo.git cd edgeyolo

二、环境配置

创建专属环境

conda create -n EdgeYOLO python=3.9

激活环境

conda activate EdgeYOLO

安装 Pytorch 环境

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple "torch-1.13.0+cu116-cp39-cp39-win_amd64.whl"

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple "torchvision-0.14.0+cu116-cp39-cp39-win_amd64.whl"

安装相关库

pip install -r requirements.txt

三、代码测试

python detect.py --weights ./weights/edgeyolo_coco.pth --source ./TestVideo/test.avi --fp16

四、使用自己的数据集进行训练

目前支持COCO、YOLO、VOC、VisDrone、DOTA五种格式的数据集

在这里我使用VOC格式的数据集。

数据库来源：gazebo中标准锥桶路障，纯手工标记，VOC格式，适用于需要在gazebo仿真环境中检验自动驾驶算法。

数据集划分

按照比例进行划分训练集、验证集、测试集。

# -*- coding:utf-8 -*-
# @author: 牧锦程
# @微信公众号: AI算法与电子竞赛
# @Email: m21z50c71@163.com
# @VX：fylaicai

import os
import random
from tqdm import tqdm

train_val_percent = 0.9  # 训练集和验证集的总比例
train_percent = 0.8  # 训练集占总比例的比例
Annotations_file_path = 'JPEGImages'
txt_save_path = 'ImageSets/Main'
total_xml = os.listdir(Annotations_file_path)

if not os.path.exists(txt_save_path):
    os.makedirs(txt_save_path, exist_ok=True)

num = len(total_xml)
list = range(num)
tv = int(num * train_val_percent)
tr = int(tv * train_percent)
train_val = random.sample(list, tv)
train = random.sample(train_val, tr)

f_train_val = open(f'./{txt_save_path}/trainval.txt', 'w')
f_test = open(f'./{txt_save_path}/test.txt', 'w')