【下载】PyTorch 实现的YOLO v2目标检测算法- 专知

【下载】PyTorch 实现的YOLO v2目标检测算法

【导读】目标检测是计算机视觉的重要组成部分，其目的是实现图像中目标的检测。YOLO是基于深度学习方法的端到端实时目标检测系统(YOLO:实时快速目标检测)。YOLO的升级版有两种:YOLOv2和YOLO9000。YOLOv2是针对YOLO算法不足的改进版本，作者使用了一系列的方法对原来的YOLO多目标检测框架进行了改进，在保持原有速度的优势之下，精度上得以提升。近日，Ruimin Shen在Github上发布了YOLO v2的PyTorch实现版本，让我们来看下。

YOLO v2是目前最受欢迎的单一网络目标检测算法之一，由于整个检测流水线是单一网络，因此可以直接对检测性能进行端到端的优化。本项目是对该算法的代码实现，为了提高效率，项目采用PyTorch开发框架。同时为了更方便的部署在实际应用中，可以利用ONNX将模型转换为Caffe 2支持的格式。

▌设计

灵活的配置设计。代码的运行是可配置的，比如可以使用命令行参数进行修改（可以通过配置文件重叠（-c / - 配置选项）或命令编辑（-m / - 修改选项）的方式）。
通过TensorBoard监控损失函数值和调试检测结果图像（例如IoU热图，标准数据集以及预测边界框）。
并行的模型训练设计。不同的模型被保存到不同的目录中，从而可以同时训练。
使用NoSQL数据库存储具有高维信息的评估结果。这个设计在分析大量的实验结果时非常有用。
基于时间的输出设计。运行信息（例如模型，摘要summaries（由TensorBoard生成）以及评估结果）被定期保存到文件中。
对于检查点Checkpoint的管理。代码会将最近生成的几个检查点文件（.pth）保存在模型目录中，旧的将被删除。
NaN调试。当检测到NaN损失时，将导出当前的运行环境（data batch）和模型，用来分析NaN出现的原因。
统一的数据缓存设计。各种数据集通过相应的缓存插件转换为统一的数据缓存。一些例如PASCAL VOC和MS COCO的插件已经实现。
任意可替换的模型插件设计。主要的深度神经网络（DNN）可以利用配置修改来轻松替换。其中已经包含了Darknet，ResNet，Inception v3、v4，MobileNet和DenseNet等模块。
可扩展的数据预处理插件设计。原始图像（具有不同大小）和标签通过一系列操作进行处理从而形成一个训练批次（图像大小相同，边界框列表被填充）。多个预处理插件已经实现，例如同时处理图像和标签（如随机旋转和随机翻转），将图像和标签的大小批量调整为固定大小（如随机裁剪），增加没有标签的图像等（例如随机模糊，随机饱和度和随机亮度）。