这个仓库将包含但不限于以下功能：
- 一套目标检测数据增强与扩充代码。
- 一种样本筛选方法。
- 一套目标检测与跟踪模型。
- 一套模型压缩框架。
- 一个模型部署示例。
👉🎈使用文档 👈
这个仓库是一个通用的工程级别目标检测框架包含：
- 一套目标检测数据增强与扩充代码。它将是一个一直在持续维护的代码库，将不断添加有效的特殊数据增强方法。
- 一种样本筛选方法。它将通过深度特征来有效聚类，用于剔除数据增强后的无效样本。
- 一套目标检测与跟踪模型。它使用较为热门的yolov7以及ByteTrack，能够胜任工程中常见的检测与跟踪任务。
- 一套模型压缩框架。它将有效集成剪枝、蒸馏、量化的方法压缩目标检测模型，提升推理速度的同时尽可能减少精度损失。
- 一个模型部署示例。它将演示如何部署模型至嵌入式开发板，可有效应用于无人机等小型设备。
-
数据集增强与扩充 准备voc格式数据集，coco、yolo等格式数据使用data_process文件夹下的代码做格式转换。 修改Augment.py中的相关路径，选择增强方式（默认全选）。 修改增强相关参数。 运行Augment.py。
-
样本筛选 建立用于存放有效样本和无效样本的文件夹。 修改Sample-Selection/Sample_Selection.py中的对应路径。 运行Sample-Selection/Sample_Selection.py。
-
数据集的准备
本文使用VOC格式进行训练，训练前需要自己制作好数据集， coco、yolo等格式数据使用data_process文件夹下的代码做格式转换
训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。 -
数据集的处理
在完成数据集的摆放之后，我们需要利用voc_annotation.py获得训练用的2007_train.txt和2007_val.txt。
修改voc_annotation.py里面的参数。第一次训练可以仅修改classes_path，classes_path用于指向检测类别所对应的txt。
训练自己的数据集时，可以自己建立一个cls_classes.txt，里面写自己所需要区分的类别。
model_data/cls_classes.txt文件内容为：
cat
dog
...
修改voc_annotation.py中的classes_path，使其对应cls_classes.txt，并运行voc_annotation.py。
-
开始网络训练
训练的参数较多，均在train.py中，大家可以在下载库后仔细看注释，其中最重要的部分依然是train.py里的classes_path。
classes_path用于指向检测类别所对应的txt，这个txt和voc_annotation.py里面的txt一样！训练自己的数据集必须要修改！
修改完classes_path后就可以运行train.py开始训练了，在训练多个epoch后，权值会生成在logs文件夹中。 -
训练结果预测
训练结果预测需要用到两个文件，分别是yolo.py和predict.py。在yolo.py里面修改model_path以及classes_path。
model_path指向训练好的权值文件，在logs文件夹里。
classes_path指向检测类别所对应的txt。
完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测。
- 按照训练步骤训练。
- 在yolo.py文件里面，在如下部分修改model_path和classes_path使其对应训练好的文件；model_path对应logs文件夹下面的权值文件，classes_path是model_path对应分的类。
_defaults = {
#--------------------------------------------------------------------------#
# 使用自己训练好的模型进行预测一定要修改model_path和classes_path！
# model_path指向logs文件夹下的权值文件，classes_path指向model_data下的txt
#
# 训练好后logs文件夹下存在多个权值文件，选择验证集损失较低的即可。
# 验证集损失较低不代表mAP较高，仅代表该权值在验证集上泛化性能较好。
# 如果出现shape不匹配，同时要注意训练时的model_path和classes_path参数的修改
#--------------------------------------------------------------------------#
"model_path" : 'model_data/yolov7_weights.pth',
"classes_path" : 'model_data/coco_classes.txt',
#---------------------------------------------------------------------#
# anchors_path代表先验框对应的txt文件，一般不修改。
# anchors_mask用于帮助代码找到对应的先验框，一般不修改。
#---------------------------------------------------------------------#
"anchors_path" : 'model_data/yolo_anchors.txt',
"anchors_mask" : [[6, 7, 8], [3, 4, 5], [0, 1, 2]],
#---------------------------------------------------------------------#
# 输入图片的大小，必须为32的倍数。
#---------------------------------------------------------------------#
"input_shape" : [640, 640],
#------------------------------------------------------#
# 所使用到的yolov7的版本，本仓库一共提供两个：
# l : 对应yolov7
# x : 对应yolov7_x
#------------------------------------------------------#
"phi" : 'l',
#---------------------------------------------------------------------#
# 只有得分大于置信度的预测框会被保留下来
#---------------------------------------------------------------------#
"confidence" : 0.5,
#---------------------------------------------------------------------#
# 非极大抑制所用到的nms_iou大小
#---------------------------------------------------------------------#
"nms_iou" : 0.3,
#---------------------------------------------------------------------#
# 该变量用于控制是否使用letterbox_image对输入图像进行不失真的resize，
# 在多次测试后，发现关闭letterbox_image直接resize的效果更好
#---------------------------------------------------------------------#
"letterbox_image" : True,
#-------------------------------#
# 是否使用Cuda
# 没有GPU可以设置成False
#-------------------------------#
"cuda" : True,
}- 运行predict.py，输入
img/street.jpg
- 在predict.py里面进行设置可以进行fps测试和video视频检测。
- 本文使用VOC格式进行评估。
- 如果在训练前已经运行过voc_annotation.py文件，代码会自动将数据集划分成训练集、验证集和测试集。如果想要修改测试集的比例，可以修改voc_annotation.py文件下的trainval_percent。trainval_percent用于指定(训练集+验证集)与测试集的比例，默认情况下 (训练集+验证集):测试集 = 9:1。train_percent用于指定(训练集+验证集)中训练集与验证集的比例，默认情况下 训练集:验证集 = 9:1。
- 利用voc_annotation.py划分测试集后，前往get_map.py文件修改classes_path，classes_path用于指向检测类别所对应的txt，这个txt和训练时的txt一样。评估自己的数据集必须要修改。
- 在yolo.py里面修改model_path以及classes_path。model_path指向训练好的权值文件，在logs文件夹里。classes_path指向检测类别所对应的txt。
- 运行get_map.py即可获得评估结果，评估结果会保存在map_out文件夹中。
想了解我们的框架是如何被应用的，请参考