YOLOv1、YOLOv2、YOLOv3目标检测算法原理与实战第十三天|YOLOv3实战、安装Typora
1.学习哔哩哔哩《YOLOv1、YOLOv2、YOLOv3目标检测算法原理与实战》
炮哥带你学视频链接
第5章 YOLOv3实战
5.1 YOLOv3实战先导
5.2 pycharm与anaconda的安装
之前已经安装过了，见Pytorch框架与经典卷积神经网络与实战第一天|安装PyCharm&Anaconda，配置环境，写爱心代码
5.3 python环境安装
5.4 pytorch环境安装
安装cuda驱动见Pytorch框架与经典卷积神经网络与实战第四天|PyTorch框架与编程环境安装
5.5 YOLOv3代码背景介绍
本课程用的是YOLOv3的9.6版本
5.6 YOLOv3环境安装
下载的时候注意要在红框框出的文件下一级，不能是文件中的文件的文件
检查环境是否配置成功
5.7 YOLOv3代码整体结构分析
代码整体解析：
data文件解析：
（超参数：实现定义好的参数）
models文件解析：
utils文件解析：
runs文件解析：
weight文件解析：
5.8 推理核心参数代码讲解
exp2：
exp5：
5.9 labelimg标注软件的使用
注：现在推荐使用Label Studio，Labelimg已不在开发
创建环境
激活环境
下载labelimg软件
运行labelimg软件
软件功能介绍
W：调出标注十字架
A：切换到上一张图片
D：切换到下一张图片
use default label：固定标签打框
del ：删除标注框框
Ctrl+u：选择标注的图片文件夹
Ctrl+r：选择标注好的 label 标签存在的文件夹
文件保存：一级VOCdevkit，二级VOC2007，第三极：JPEGImages、Annotations
保存格式：尽量用VOC（xmal文件），不要用yolo（txt）
5.10 训练数据集划分
训练的时候，类别必须按顺序来填；检测的时候可以不按顺序来
5.11 训练自己的数据集
you.yaml和dataset_partitioning.py两个文件的检测类别必须一模一样
5.12 训练结果解析
混淆矩阵：
跟置信度相关的FI Score图：
跟置信度相关的精度的图：
跟置信度相关的召回率的图：
PR曲线：
结果解析：
（从左到右分别是：坐标损失、置信度损失、分类损失、精度、召回）
5.13 训练好的权重推理结果
exp9；
exp10：
（图片大小改成608x608）
exp11：
（图片大小改成32x32）
5.14 训练核心参数代码讲解
weights——权重文件
cfg——网络模型配置文件
data——数据集配置文件
hyp——训练时的超参文件
epochs——训练轮次
batch-size——训练批次大小
imgsz——输入网络的图片分辨率大小
rect——把图片用灰色补成正方形
resume——从上次打断的训练结果接着训练
nosave——不保存模型，默认保存
noval——只在最后一次进行测试，默认False
noautoanchor——不自动调整anchor框，默认False
evolve——是否进行超参进化，使数值变得更好，默认False
cache——是否提前缓存图片到内存
image-weights——对于那些训练不好的图片，会在下一轮增加一些权重
device——设备。只有一个GPU“default=0”，有两个GPU，想用第二个“default=1”，想用多个“default=01”
multi-scale——是否使用多尺度训练，默认False
single-cls——开启之后，只要有目标都识别不管类别，默认False，轻易不要开启
adam——优化器
workers——dataloader中的最大work数，电脑不是很好的填0或1
project、name——保存的结果
exist-ok——是否重新创建
linear-lr——用于对学习速率进行调整，默认为 False
label-smoothing——标签平滑增强 默认0.0不增强 要增强一般就设为0.1
patience——早停机制，训练到一定的epoch，如果模型效果未提升，就让模型提前停止训练
freeze——使用预训练模型的规定固定权重不进行调整（freeze 10 :意思从第0层到到第10层不训练）
save-period——设置多少个epoch保存一次模型
local_rank——rank为进程编号 -1且gpu=1时不进行分布式 -1且多块gpu使用DataParallel模式
5.15 测试代码参数讲解
conf-thres——object置信度阈值，默认0.25
iou-thres——进行NMS时IOU的阈值，默认0.6
5.16 yolo.py代码讲解
common.py包含卷积结构、跳转链接、SPP（v4）、Concat等
5.17 conv和bottleneck模块代码讲解
conv：
bottleneck：
5.18 backbone网络模块代码讲解
第一列的-1表示这一层的输入是上一层的输出
第二列的1表示这个模块有几个
第三列表示这层的类型，例如conv（CBL）、Bottleneck
第四列表示输出通道数
第五列表示卷积核的大小
第六列表示步幅S
5.19 neck和head结构代码讲解
上采样upsamble：
neck&head：
5.20 是否佩戴口罩检测项目实战先导
5.21 是否佩戴口罩检测模型训练
修改model中yolov3.yaml文件，复制文件并重命名为yolov3-mask.yaml，把其中类别数量修改为2（戴口罩、不戴口罩）
修改data中you.yaml文件，复制文件并重命名为mask.yaml，把其中检测的类别数量修改为2，以及检测的类别名修改为without-mask，mask
修改dataset_partitioning.py修改类别并划分数据集
5.22 是否佩戴口罩检测模型推理和测试
2.安装Typora1.9.5
Step1 下载安装包
迅雷链接: https://pan.xunlei.com/s/VOFjtwoq1Y06P0cx0c4sMpvxA1?pwd=y4ia
Step2 安装
解压安装包——管理员身份运行——install for all users——选择安装在合适的盘，安装过程中勾选create a desktop cutshort，安装完成后取消勾选launch pytora，然后点击finish——进入crack文件夹——复制winmm.dll文件，放置到typora所在文件夹——双击运行typora——选择帮助——我的许可证，即可激活。