DIoU-Darknet 口罩佩戴检测
- 预训练的模型： https://github.com/DataXujing/DIoU_YOLO_V3/releases/tag/Mask_model 可下载在网上找图像或视频测试！
- 训练数据下载地址：百度云盘链接： https://pan.baidu.com/s/1J8SwsZ9F5XFbUlHpEVQK3A 提取码：h9sl
YOLOv3 with DIoU and CIoU losses implemented in Darknet
Xu Jing
DEMO
相同图片基于AIZOO开源的检测效果:
配置和训练过程以darknet版YOLO v3和Gaussian YOLO v3的配置训练过程相似，这里以Ubuntu为例，关于Windows下的配置和生成过程，具体可以联系DataXujing
GPU=1 #如果使用GPU设置为1，CPU设置为0
CUDNN=1 #如果使用CUDNN设置为1，否则为0
OPENCV=1 #如果调用摄像头，还需要设置OPENCV为1，否则为0
OPENMP=1 #如果使用OPENMP设置为1，否则为0
DEBUG=0 #如果使用DEBUG设置为1，否则为0make-
- 个人爬取的部分数据及标注，标注工具使用了LabelImg
数据整理成VOC格式的数据，最终数据为8565张图像，由于存储空间问题，如果开发者需要改数据，请通过个人GitHub主页公布的邮箱索要。
将数据存放在data/myData下
- (1).Losses
目前支持的损失：[iou|giou|diou|ciou|mse]
iou_loss=ciou
- (2).Normalizers
Location和Claffication损失之间的Normalize,cls_normalizer 和iou_normalizer 默认都是1.0,但在DIoU探索中发现，下面的配置比较好：
iou_loss=diou
cls_normalizer=1
iou_normalizer=1.0
iou_loss=ciou
cls_normalizer=1
iou_normalizer=0.5
- (3).DIoU-NMS
在nms_kind参数下设置，目前支持[greedynms|diounms]
nms_kind=greedynms
nms_kind=diounms
对于YOLOv3来说, DIoU-NMS中引入beta1参数： DIoU = IoU - R_DIoU ^ {beta1},是的NMS表现不错。DIoU发现，对于YOLOv3
beta1=0.6
DIoU-NMS是比较好的(bet1=1.0也优于greedy-NMS)。但对于SSD和Faster R-CNN而言，beta1=1.0就很不错了。
-
(4).learning rate
-
learning_rate的设置原则NEW_RATE = ORIGINAL_RATE * 1/NUMBER_OF_GPUS； -
burn_in的设置原则NEW_BURN_IN = ORIGINAL_BURN_IN * NUMBER_OF_GPUS
-
因此对于1个GPU的情形：
learning_rate=0.001
burn_in=1000
对于2个GPU的情形:
learning_rate=0.0005
burn_in=2000
对于4个GPU的情形:
learning_rate=0.00025
burn_in=4000
- (5).其他配置
其他配置和YOLOv3相似！
./darknet detector train cfg/myData-diou.data cfg/myData-diou.cfg darknet53.conv.74 #-gpus 0,1
./darknet detector test cfg/myData-ciou.data cfg/myData-ciou.cfg backup/ciou/myData-ciou_14000.weights data/test1.jpg
@inproceedings{zheng2020distance,
author = {Zhaohui Zheng, Ping Wang, Wei Liu, Jinze Li, Rongguang Ye, Dongwei Ren},
title = {Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression},
booktitle = {The AAAI Conference on Artificial Intelligence (AAAI)},
year = {2020},
}