YOLOv3¶
摘要¶
我们对YOLO进行了一系列更新！它包含一堆小设计，可以使系统的性能得到更新。我们也训练了一个新的、比较大的神经网络。虽然比上一版更大一些，但是精度也提高了。不用担心，它的速度依然很快。YOLOv3在320×320输入图像上运行时只需22ms，并能达到28.2mAP，其精度和SSD相当，但速度要快上3倍。使用之前0.5 IOU mAP的检测指标，YOLOv3的效果是相当不错。YOLOv3使用Titan X GPU，其耗时51ms检测精度达到57.9 AP50，与RetinaNet相比，其精度只有57.5 AP50，但却耗时198ms，相同性能的条件下YOLOv3速度比RetinaNet快3.8倍。
结果¶
使用图模式在 Ascend 910(8p) 上测试的表现
| Name | Scale | BatchSize | ImageSize | Dataset | Box mAP (%) | Params | Recipe | Download |
|---|---|---|---|---|---|---|---|---|
| YOLOv3 | Darknet53 | 16 * 8 | 640 | MS COCO 2017 | 45.5 | 61.9M | yaml | weights |
在Ascend 910*(8p)上测试的表现
| Name | Scale | BatchSize | ImageSize | Dataset | Box mAP (%) | ms/step | Params | Recipe | Download |
|---|---|---|---|---|---|---|---|---|---|
| YOLOv3 | Darknet53 | 16 * 8 | 640 | MS COCO 2017 | 46.6 | 396.60 | 61.9M | yaml | weights |
说明¶
- Box mAP：验证集上测试出的准确度。
- 我们参考了常用的第三方 YOLOv3 的实现。
快速入门¶
详情请参阅 MindYOLO 中的 快速入门。
训练¶
- 预训练模型¶
您可以从 此处 获取预训练模型。
要将其转换为 mindyolo 可加载的 ckpt 文件，请将其放在根目录中，然后运行以下语句：
python mindyolo/utils/convert_weight_darknet53.py
- 分布式训练¶
使用预置的训练配方可以轻松重现报告的结果。如需在多台Ascend 910设备上进行分布式训练，请运行
# 在多台GPU/Ascend设备上进行分布式训练
msrun --worker_num=8 --local_worker_num=8 --bind_core=True --log_dir=./yolov3_log python train.py --config ./configs/yolov3/yolov3.yaml --device_target Ascend --is_parallel True
同样的，您可以使用上述msrun命令在多台GPU设备上训练模型。注意: 更多关于msrun配置的信息，请参考这里。
有关所有超参数的详细说明，请参阅config.py。
注意： 由于全局batch size（batch_size x 设备数）是一个重要的超参数，建议保持全局batch size不变进行复制，或者将学习率线性调整为新的全局batch size。
- 单卡训练¶
如果您想在较小的数据集上训练或微调模型而不进行分布式训练，请运行：
# 在 CPU/GPU/Ascend 设备上进行单卡训练
python train.py --config ./configs/yolov3/yolov3.yaml --device_target Ascend
验证和测试¶
要验证训练模型的准确性，您可以使用 test.py 并使用 --weight 传入权重路径。
python test.py --config ./configs/yolov3/yolov3.yaml --device_target Ascend --weight /PATH/TO/WEIGHT.ckpt
部署¶
详见 部署。
引用¶
[1] Jocher Glenn. YOLOv3 release v9.1. https://github.com/ultralytics/yolov3/releases/tag/v9.1, 2021. [2] Joseph Redmon and Ali Farhadi. YOLOv3: An incremental improvement. arXiv preprint arXiv:1804.02767, 2018.