Pytorch-DIOU-YOLOv3
传送门
Keras版YOLOv3: https://github.com/miemie2013/Keras-DIOU-YOLOv3
Pytorch版YOLOv3：https://github.com/miemie2013/Pytorch-DIOU-YOLOv3
PaddlePaddle版YOLOv3：https://github.com/miemie2013/Paddle-DIOU-YOLOv3
PaddlePaddle完美复刻版版yolact: https://github.com/miemie2013/PaddlePaddle_yolact
Keras版YOLOv4: https://github.com/miemie2013/Keras-YOLOv4 (mAP 41%+)
Pytorch版YOLOv4: https://github.com/miemie2013/Pytorch-YOLOv4 (mAP 41%+)
Paddle版YOLOv4：https://github.com/miemie2013/Paddle-YOLOv4 (mAP 41%+)
PaddleDetection版SOLOv2: https://github.com/miemie2013/PaddleDetection-SOLOv2
Pytorch实时版FCOS，跑得比YOLOv4快: https://github.com/miemie2013/Pytorch-FCOS
Paddle实时版FCOS，跑得比YOLOv4快: https://github.com/miemie2013/Paddle-FCOS
Keras版CartoonGAN: https://github.com/miemie2013/keras_CartoonGAN
纯python实现一个深度学习框架: https://github.com/miemie2013/Pure_Python_Deep_Learning
Pytorch版PPYOLO: https://github.com/miemie2013/Pytorch-PPYOLO (mAP 44.8%)
更新日记
2020/01/13:初次见面
需要补充
冻结、解冻的代码，转rgb输入的脚本，其它稀奇古怪的东西
概述
Pytorch复现YOLOv3！使用DIOU loss训练。支持将模型导出为keras模型！
请查看
diou_loss的论文
参考了1个仓库：
https://github.com/YunYang1994/tensorflow-yolov3
这个仓库有很大一部分参考（用pytorch的api翻译）了YunYang1994的代码（label的填写以及损失函数部分），这里致敬大佬！ 大部分为自己原创（我只是个搬砖的）。 YunYang1994的仓库训练出的模型很优秀，为了达到同等优秀的效果，所以损失函数部分参考了大佬仓库里的代码。
文件下载
在coco上的预训练模型yolo_bgr_mAP_47.pt，在release处下载。
coco2017数据集下载：
http://images.cocodataset.org/zips/train2017.zip
http://images.cocodataset.org/annotations/annotations_trainval2017.zip
http://images.cocodataset.org/zips/val2017.zip
http://images.cocodataset.org/annotations/stuff_annotations_trainval2017.zip
http://images.cocodataset.org/zips/test2017.zip
http://images.cocodataset.org/annotations/image_info_test2017.zip
仓库文件介绍
train.py 训练yolov3，用的是ciou loss。
2_pytorch2keras.py 将pytorch模型导出为keras模型。给兄弟仓库兄弟版：https://github.com/miemie2013/Keras-DIOU-YOLOv3使用。
demo.py 用pytorch模型进行预测。对视频进行预测的话需要解除注释。
eval.py 对pytorch模型评估。跑完这个脚本后需要再跑mAP/main.py进行mAP的计算。
annotation/ 存放训练集、验证集的注解文件。
data/ 存放数据集物品类别名称文件（一行一个类别名称），类别名称最好不要有空格、斜杠、反斜杠，不然后面计算mAP时会报错。
images/ 用于测试的图片，放在子目录test/下。预测输出在子目录res/下。
mAP/ 对模型评估时产生的中间临时文件。
model/ 存放yolov3算法后处理的脚本。
videos/ 用于测试的视频，放在子目录test/下。
训练
使用train.py进行训练。train.py不支持命令行参数设置使用的数据集、超参数。 而是通过修改train.py源代码来进行更换数据集、更改超参数（减少冗余代码）。 1.如果你要使用自己的数据集训练，那么请修改
train_path = 'annotation/coco2017_train.txt'
val_path = 'annotation/coco2017_val.txt'
classes_path = 'data/coco_classes.txt'
注解文件的格式如下：
xxx/xxx.jpg 18.19,6.32,424.13,421.83,20 323.86,2.65,640.0,421.94,20
xxx/xxx.jpg 48,240,195,371,11 8,12,352,498,14
# image_path x_min, y_min, x_max, y_max, class_id x_min, y_min ,..., class_id
# make sure that x_max < width and y_max < height
和YunYang1994的注解文件格式是完全一样的，这里再次致敬大佬！
2.本仓库有pattern=0、pattern=1、pattern=2这3种训练模式。 0-从头训练，1-读取模型继续训练（包括解冻），2-读取coco预训练模型训练 你只需要修改pattern的值即可指定训练模式。 然后在这3种模式的if-else分支下，你再指定批大小batch_size、学习率lr等超参数。
3.如果你决定从头训练一个模型（即pattern=0），而且你的显卡显存比较小，比如说只有6G。 又或者说你想训练一个小模型，因为你的数据集比较小。 那么你可以设置initial_filters为一个比较小的值，比如说8。 initial_filters会影响到后面的卷积层的卷积核个数（除了最后面3个卷积层的卷积核个数不受影响）。 yolov3的initial_filters默认是32，你调小initial_filters会使得模型变小，运算量减少，适合在小数据集上训练。
评估
训练完成后，运行eval.py对pytorch模型评估，跑完这个脚本后需要再跑mAP/main.py进行mAP的计算。
预测
运行demo.py。
传送门
cv算法交流q群：645796480 但是关于仓库的疑问尽量在Issues上提，避免重复解答。
广告位招租
可联系微信wer186259