YOLOv4¶
摘要¶
目前有很多可以提高CNN准确性的算法。这些算法的组合在庞大数据集上进行测试、对实验结果进行理论验证都是非常必要的。 有些算法只在特定的模型上有效果，并且只对特定的问题有效，或者只对小规模的数据集有效； 然而有些算法，比如batch-normalization和residual-connections，对大多数的模型、任务和数据集都适用。 我们认为这样通用的算法包括：Weighted-Residual-Connections（WRC), Cross-Stage-Partial-connections（CSP）, Cross mini-Batch Normalization（CmBN）, Self-adversarial-training（SAT）以及Mish-activation。 我们使用了新的算法：WRC, CSP, CmBN, SAT, Mish activation, Mosaic data augmentation, CmBN, Dropblock regularization 和CIoU loss以及它们的组合， 获得了最优的效果：在MS COCO数据集上的AP值为43.5%(65.7% AP50)，在Tesla V100上的实时推理速度为65FPS。
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 |
|---|---|---|---|---|---|---|---|---|
| YOLOv4 | CSPDarknet53 | 16 * 8 | 608 | MS COCO 2017 | 45.4 | 27.6M | yaml | weights |
| YOLOv4 | CSPDarknet53(silu) | 16 * 8 | 608 | MS COCO 2017 | 45.8 | 27.6M | yaml | weights |
在Ascend 910*(8p)上测试的表现
| Name | Scale | BatchSize | ImageSize | Dataset | Box mAP (%) | ms/step | Params | Recipe | Download |
|---|---|---|---|---|---|---|---|---|---|
| YOLOv4 | CSPDarknet53 | 16 * 8 | 608 | MS COCO 2017 | 46.1 | 337.25 | 27.6M | yaml | weights |
说明¶
- Box mAP: 验证集上测试出的准确度。
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_cspdarknet53.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
# distributed training on multiple GPU/Ascend devices
msrun --worker_num=8 --local_worker_num=8 --bind_core=True --log_dir=./yolov4_log python train.py --config ./configs/yolov4/yolov4-silu.yaml --device_target Ascend --is_parallel True --epochs 320
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。
说明¶
- 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。
- 如果出现以下警告，可以通过设置环境变量 PYTHONWARNINGS='ignore:semaphore_tracker:UserWarning' 来修复。
multiprocessing/semaphore_tracker.py: 144 UserWarning: semaphore_tracker: There appear to be 235 leaked semaphores to clean up at shutdown len(cache))
- 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/yolov4/yolov4-silu.yaml --device_target Ascend --epochs 320
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/yolov4/yolov4-silu.yaml --device_target Ascend --iou_thres 0.6 --weight /PATH/TO/WEIGHT.ckpt
部署¶
详见 部署.
引用¶
[1] Alexey Bochkovskiy, Chien-Yao Wang and Ali Farhadi. YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv preprint arXiv:2004.10934, 2020.