p60975123
/
mindspore
forked from mindspore-Ecosystem/mindspore
1
0
Fork 0
Code Issues Pull Requests Projects Releases Wiki Activity

Add README_CN.md file for yolov4.

This commit is contained in:
zhanghuiyao 2021-06-23 10:36:32 +08:00
parent ec999d3fa5
commit 2ba591a766
2 changed files with 578 additions and 1 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

2
model_zoo/official/cv/yolov4/README.md
View File

@ -243,6 +243,7 @@ other datasets need to use the same format as MS COCO.
```text
└─yolov4
├─README.md
├─README_CN.md
├─mindspore_hub_conf.py # config for mindspore hub
├─scripts
├─run_standalone_train.sh # launch standalone training(1p) in ascend
@ -263,7 +264,6 @@ other datasets need to use the same format as MS COCO.
├─util.py # util function
├─yolo.py # yolov4 network
├─yolo_dataset.py # create dataset for YOLOV4
├─eval.py # evaluate val results
├─test.py# # evaluate test results
└─train.py # train net

577
model_zoo/official/cv/yolov4/README_CN.md Normal file
View File

@ -0,0 +1,577 @@
# 目录
- [YOLOv4说明](#yolov4说明)
- [模型架构](#模型架构)
- [预训练模型](#预训练模型)
- [数据集](#数据集)
- [环境要求](#环境要求)
- [快速入门](#快速入门)
- [脚本说明](#脚本说明)
- [脚本和示例代码](#脚本和示例代码)
- [脚本参数](#脚本参数)
- [训练过程](#训练过程)
- [训练](#训练)
- [评估过程](#评估过程)
- [评估](#评估)
- [转换过程](#转换过程)
- [转换](#转换)
- [模型说明](#模型说明)
- [性能](#性能)
- [评估性能](#评估性能)
- [推理性能](#推理性能)
- [ModelZoo主页](#modelzoo主页)
# [YOLOv4说明](#目录)
YOLOv4作为先进的检测器，它比所有可用的替代检测器更快（FPS）并且更准确（MS COCO AP50 ... 95和AP50）。
本文已经验证了大量的特征，并选择使用这些特征来提高分类和检测的精度。
这些特性可以作为未来研究和开发的最佳实践。
[论文](https://arxiv.org/pdf/2004.10934.pdf)：
Bochkovskiy A, Wang C Y, Liao H Y M. YOLOv4: Optimal Speed and Accuracy of Object Detection[J]. arXiv preprint arXiv:2004.10934, 2020.
# [模型架构](#目录)
选择CSPDarknet53主干、SPP附加模块、PANet路径聚合网络和YOLOv4（基于锚点）头作为YOLOv4架构。
# [预训练模型](#目录)
YOLOv4需要CSPDarknet53主干来提取图像特征进行检测。 您可以从我们的ModelZoo中获取CSPDarknet53训练脚本，并根据```./src.cspdarknet53```中的CSPDarknet53修改主干结构，最后在imagenet2012上训练它，以获得CSPDarknet53预训练模型。
步骤：
1. 从ModelZoo获取resnet50训练脚本。
2. 根据```./src.cspdarknet53``中的CSPDarknet53修改网络架构。
3. 在imagenet2012上训练CSPDarknet53。
# [数据集](#目录)
使用的数据集：[COCO2017](https://cocodataset.org/#download)
支持的数据集：[COCO2017]或与MS COCO格式相同的数据集
支持的标注：[COCO2017]或与MS COCO相同格式的标注
- 目录结构如下，由用户定义目录和文件的名称：
```text
├── dataset
├── YOLOv4
├── annotations
│ ├─ train.json
│ └─ val.json
├─train
│ ├─picture1.jpg
│ ├─ ...
│ └─picturen.jpg
├─ val
├─picture1.jpg
├─ ...
└─picturen.jpg
```
建议用户使用MS COCO数据集来体验模型，
其他数据集需要使用与MS COCO相同的格式。
# [环境要求](#目录)
- 硬件 Ascend
- 使用Ascend处理器准备硬件环境。
- 框架
- [MindSpore](https://www.mindspore.cn/install)
- 更多关于Mindspore的信息，请查看以下资源：
- [MindSpore教程](https://www.mindspore.cn/tutorial/training/zh-CN/master/index.html)
- [MindSpore Python API](https://www.mindspore.cn/doc/api_python/zh-CN/master/index.html)
# [快速入门](#目录)
- 通过官方网站安装MindSpore后，您可以按照如下步骤进行训练和评估：
- 在运行网络之前，准备CSPDarknet53.ckpt和hccl_8p.json文件。
- 请参考[预训练模型]。
- 生成hccl_8p.json，运行model_zoo/utils/hccl_tools/hccl_tools.py脚本。
以下参数“[0-8)”表示生成0~7卡的hccl_8p.json文件。
```
python hccl_tools.py --device_num "[0,8)"
```
- 本地运行
```text
# training_shape参数用于定义网络图像形状，默认为
[416, 416],
[448, 448],
[480, 480],
[512, 512],
[544, 544],
[576, 576],
[608, 608],
[640, 640],
[672, 672],
[704, 704],
[736, 736].
# 意思是使用11种形状作为输入形状，或者可以设置某种形状。
# 使用python命令执行单尺度训练示例（1卡）
python train.py \
--data_dir=./dataset/xxx \
--pretrained_backbone=cspdarknet53_backbone.ckpt \
--is_distributed=0 \
--lr=0.1 \
--t_max=320 \
--max_epoch=320 \
--warmup_epochs=4 \
--training_shape=416 \
--lr_scheduler=cosine_annealing > log.txt 2>&1 &
# 使用shell脚本执行单尺度单机训练示例（1卡）
sh run_standalone_train.sh dataset/xxx cspdarknet53_backbone.ckpt
# 在Ascend设备上，使用shell脚本执行多尺度分布式训练示例（8卡）
sh run_distribute_train.sh dataset/xxx cspdarknet53_backbone.ckpt rank_table_8p.json
# 使用python命令评估
python eval.py \
--data_dir=./dataset/xxx \
--pretrained=yolov4.ckpt \
--testing_shape=608 > log.txt 2>&1 &
# 使用shell脚本评估
sh run_eval.sh dataset/xxx checkpoint/xxx.ckpt
```
- [ModelArts](https://support.huaweicloud.com/modelarts/)上训练
```python
# 在Ascend上训练8卡
# （1）执行a或b。
# a. 在base_config.yaml文件中设置“enable_modelarts=True”。
# 在base_config.yaml文件中设置“data_dir='/cache/data/coco/'”。
# 在base_config.yaml文件中设置"checkpoint_url='s3://dir_to_your_pretrain/'"。
# 在base_config.yaml文件中设置“pretrained_backbone='/cache/checkpoint_path/cspdarknet53_backbone.ckpt'”。
# 在base_config.yaml文件中设置其他参数。
# b. 在网站UI界面添加“enable_modelarts=True”。
# 在网站UI界面添加“data_dir=/cache/data/coco/”。
# 在网站UI界面上添加“checkpoint_url=s3://dir_to_your_pretrain/”。
# 在网站UI界面上添加“pretrained_backbone=/cache/checkpoint_path/cspdarknet53_backbone.ckpt”。
# 在网站UI界面添加其他参数。
# （3）上传或复制预训练的模型到S3桶。
# （4）上传zip数据集到S3桶。 (您也可以上传源数据集，但可能很慢。)
# （5）在网站UI界面上设置代码目录为“/path/yolov4”。
# （6）在网站UI界面上设置启动文件为“train.py”。
# （7）在网站UI界面上设置“数据集路径”、“输出文件路径”和“作业日志路径”。
# （8）创建作业。
#
# 在Ascend上训练1卡
# （1）执行a或b。
# a. 在base_config.yaml文件中设置“enable_modelarts=True”。
# 在base_config.yaml文件中设置“data_dir='/cache/data/coco/'”。
# 在base_config.yaml文件中设置"checkpoint_url='s3://dir_to_your_pretrain/'"。
# 在base_config.yaml文件中设置“pretrained_backbone='/cache/checkpoint_path/cspdarknet53_backbone.ckpt'”。
# 在base_config.yaml文件中设置“is_distributed=0”。
# 在base_config.yaml文件中设置“warmup_epochs=4”。
# 在base_config.yaml文件中设置“training_shape=416”。
# 在base_config.yaml文件中设置其他参数。
# b. 在网站UI界面添加“enable_modelarts=True”。
# 在网站UI界面添加“data_dir=/cache/data/coco/”。
# 在网站UI界面上添加“checkpoint_url=s3://dir_to_your_pretrain/”。
# 在网站UI界面上添加“pretrained_backbone=/cache/checkpoint_path/cspdarknet53_backbone.ckpt”。
# 在网站UI界面添加“is_distributed=0”。
# 在网站UI界面添加“warmup_epochs=4”。
# 在网站UI界面添加“training_shape=416”。
# 在网站UI界面添加其他参数。
# （3）上传或复制预训练的模型到S3桶。
# （4）上传zip数据集到S3桶。 (您也可以上传源数据集，但可能很慢。)
# （5）在网站UI界面上设置代码目录为“/path/yolov4”。
# （6）在网站UI界面上设置启动文件为“train.py”。
# （7）在网站UI界面上设置“数据集路径”、“输出文件路径”和“作业日志路径”。
# （8）创建作业。
#
# 在Ascend上评估1卡
# （1）执行a或b。
# a. 在base_config.yaml文件中设置“enable_modelarts=True”。
# 在base_config.yaml文件中设置“data_dir='/cache/data/coco/'”。
# 在base_config.yaml文件中设置"checkpoint_url='s3://dir_to_your_trained_ckpt/'"。
# 在base_config.yaml文件中设置“pretrained='/cache/checkpoint_path/model.ckpt'”。
# 在base_config.yaml文件中设置“is_distributed=0”。
# 在base_config.yaml文件中设置“"per_batch_size=1”。
# 在base_config.yaml文件中设置其他参数。
# b. 在网站UI界面添加“enable_modelarts=True”。
# 在网站UI界面添加“data_dir=/cache/data/coco/”。
# 在网站UI界面上添加“checkpoint_url=s3://dir_to_your_trained_ckpt/”。
# 在网站UI界面上添加“pretrained=/cache/checkpoint_path/model.ckpt”。
# 在网站UI界面添加“is_distributed=0”。
# 在网站UI界面添加“per_batch_size=1”。
# 在网站UI界面添加其他参数。
# （3）上传或复制训练好的模型到S3桶。
# （4）上传zip数据集到S3桶。 (您也可以上传源数据集，但可能很慢。)
# （5）在网站UI界面上设置代码目录为“/path/yolov4”。
# （6）在网站UI界面上设置启动文件为“eval.py”。
# （7）在网站UI界面上设置“数据集路径”、“输出文件路径”和“作业日志路径”。
# （8）创建作业。
#
# 在Ascend上测试1卡
# （1）执行a或b。
# a. 在base_config.yaml文件中设置“enable_modelarts=True”。
# 在base_config.yaml文件中设置“data_dir='/cache/data/coco/'”。
# 在base_config.yaml文件中设置"checkpoint_url='s3://dir_to_your_trained_ckpt/'"。
# 在base_config.yaml文件中设置“pretrained='/cache/checkpoint_path/model.ckpt'”。
# 在base_config.yaml文件中设置“is_distributed=0”。
# 在base_config.yaml文件中设置“"per_batch_size=1”。
# 在base_config.yaml文件中设置“test_nms_thresh=0.45”。
# 在base_config.yaml文件中设置“test_ignore_threshold=0.001”。
# 在base_config.yaml文件中设置其他参数。
# b. 在网站UI界面添加“enable_modelarts=True”。
# 在网站UI界面添加“data_dir=/cache/data/coco/”。
# 在网站UI界面上添加“checkpoint_url=s3://dir_to_your_trained_ckpt/”。
# 在网站UI界面上添加“pretrained=/cache/checkpoint_path/model.ckpt”。
# 在网站UI界面添加“is_distributed=0”。
# 在网站UI界面添加“per_batch_size=1”。
# 在网站UI界面添加“test_nms_thresh=0.45”。
# 在网站UI界面添加“test_ignore_threshold=0.001”。
# 在网站UI界面添加其他参数。
# （3）上传或复制训练好的模型到S3桶。
# （4）上传zip数据集到S3桶。 (您也可以上传源数据集，但可能很慢。)
# （5）在网站UI界面上设置代码目录为“/path/yolov4”。
# （6）在网站UI界面上设置启动文件为“test.py”。
# （7）在网站UI界面上设置“数据集路径”、“输出文件路径”和“作业日志路径”。
# （8）创建作业。
```
# [脚本说明](#目录)
## [脚本和示例代码](#目录)
```text
└─yolov4
├─README.md
├─README_CN.md
├─mindspore_hub_conf.py # Mindspore Hub配置
├─scripts
├─run_standalone_train.sh # 在Ascend中启动单机训练（1卡）
├─run_distribute_train.sh # 在Ascend中启动分布式训练（8卡）
└─run_eval.sh # 在Ascend中启动评估
├─run_test.sh # 在Ascend中启动测试
├─src
├─__init__.py # Python初始化文件
├─config.py # 参数配置
├─cspdarknet53.py # 网络主干
├─distributed_sampler.py # 数据集迭代器
├─export.py # 将MindSpore模型转换为AIR模型
├─initializer.py # 参数初始化器
├─logger.py # 日志函数
├─loss.py # 损失函数
├─lr_scheduler.py # 生成学习率
├─transforms.py # 预处理数据
├─util.py # 工具函数
├─yolo.py # YOLOv4网络
├─yolo_dataset.py # 为YOLOv4创建数据集
├─eval.py # 评估验证结果
├─test.py# # 评估测试结果
└─train.py # 训练网络
```
## [脚本参数](#目录)
train.py中主要参数如下：
```text
可选参数：
-h, --help 显示此帮助消息并退出
--device_target 实现代码的设备：“Ascend”为默认值
--data_dir DATA_DIR 训练数据集目录
--per_batch_size PER_BATCH_SIZE
训练的批处理大小。 默认值：8。
--pretrained_backbone PRETRAINED_BACKBONE
CspDarkNet53的ckpt文件。 默认值：""。
--resume_yolov4 RESUME_YOLOV4
YOLOv4的ckpt文件，用于微调。
默认值：""
--lr_scheduler LR_SCHEDULER
学习率调度器，取值选项：exponential，
cosine_annealing。 默认值：exponential
--lr LR 学习率。 默认值：0.001
--lr_epochs LR_EPOCHS
LR变化轮次，用“,”分隔。
默认值：220,250
--lr_gamma LR_GAMMA 将LR降低一个exponential lr_scheduler因子。
默认值：0.1
--eta_min ETA_MIN cosine_annealing调度器中的eta_min。 默认值：0
--T_max T_MAX cosine_annealing调度器中的T-max。 默认值：320
--max_epoch MAX_EPOCH
训练模型的最大轮次数。 默认值：320
--warmup_epochs WARMUP_EPOCHS
热身轮次。 默认值：0
--weight_decay WEIGHT_DECAY
权重衰减因子。 默认值：0.0005
--momentum MOMENTUM 动量。 默认值：0.9
--loss_scale LOSS_SCALE
静态损失尺度。 默认值：64
--label_smooth LABEL_SMOOTH
CE中是否使用标签平滑。 默认值：0
--label_smooth_factor LABEL_SMOOTH_FACTOR
原one-hot的光滑强度。 默认值：0.1
--log_interval LOG_INTERVAL
日志记录间隔步数。 默认值：100
--ckpt_path CKPT_PATH
Checkpoint保存位置。 默认值：outputs/
--ckpt_interval CKPT_INTERVAL
保存checkpoint间隔。 默认值：None
--is_save_on_master IS_SAVE_ON_MASTER
在master或all rank上保存ckpt，1代表master，0代表
all ranks。 默认值：1
--is_distributed IS_DISTRIBUTED
是否分发训练，1代表是，0代表否。 默认值：
1
--rank RANK 分布式本地进程序号。 默认值：0
--group_size GROUP_SIZE
设备进程总数。 默认值：1
--need_profiler NEED_PROFILER
是否使用profiler。 0表示否，1表示是。 默认值：0
--training_shape TRAINING_SHAPE
恢复训练形状。 默认值：""
--resize_rate RESIZE_RATE
多尺度训练的缩放速率。 默认值：10
```
## [训练过程](#目录)
可以从头开始训练YLOv4，也可以使用cspdarknet53主干训练。
Cspdarknet53是一个分类器，可以在ImageNet(ILSVRC2012)等数据集上训练。
用户可轻松训练Cspdarknet53。 只需将分类器Resnet50的主干替换为cspdarknet53。
可在MindSpore ModelZoo中轻松获取Resnet50。
### 训练
在Ascend设备上，使用shell脚本执行单机训练示例（1卡）
```bash
sh run_standalone_train.sh dataset/coco2017 cspdarknet53_backbone.ckpt
```
```text
python train.py \
--data_dir=/dataset/xxx \
--pretrained_backbone=cspdarknet53_backbone.ckpt \
--is_distributed=0 \
--lr=0.1 \
--t_max=320 \
--max_epoch=320 \
--warmup_epochs=4 \
--training_shape=416 \
--lr_scheduler=cosine_annealing > log.txt 2>&1 &
```
上述python命令将在后台运行，您可以通过log.txt文件查看结果。
训练结束后，您可在默认输出文件夹下找到checkpoint文件。 得到如下损失值：
```text
# grep "loss:" train/log.txt
2020-10-16 15:00:37,483:INFO:epoch[0], iter[0], loss:8248.610352, 0.03 imgs/sec, lr:2.0466639227834094e-07
2020-10-16 15:00:52,897:INFO:epoch[0], iter[100], loss:5058.681709, 51.91 imgs/sec, lr:2.067130662908312e-05
2020-10-16 15:01:08,286:INFO:epoch[0], iter[200], loss:1583.772806, 51.99 imgs/sec, lr:4.1137944208458066e-05
2020-10-16 15:01:23,457:INFO:epoch[0], iter[300], loss:1229.840823, 52.75 imgs/sec, lr:6.160458724480122e-05
2020-10-16 15:01:39,046:INFO:epoch[0], iter[400], loss:1155.170310, 51.32 imgs/sec, lr:8.207122300518677e-05
2020-10-16 15:01:54,138:INFO:epoch[0], iter[500], loss:920.922433, 53.02 imgs/sec, lr:0.00010253786604152992
2020-10-16 15:02:09,209:INFO:epoch[0], iter[600], loss:808.610681, 53.09 imgs/sec, lr:0.00012300450180191547
2020-10-16 15:02:24,240:INFO:epoch[0], iter[700], loss:621.931513, 53.23 imgs/sec, lr:0.00014347114483825862
2020-10-16 15:02:39,280:INFO:epoch[0], iter[800], loss:527.155985, 53.20 imgs/sec, lr:0.00016393778787460178
...
```
### 分布式训练
在Ascend设备上，使用shell脚本执行分布式训练示例（8卡）
```bash
sh run_distribute_train.sh dataset/coco2017 cspdarknet53_backbone.ckpt rank_table_8p.json
```
上述shell脚本将在后台运行分布式训练。 您可以通过train_parallel[X]/log.txt文件查看结果。 得到如下损失值：
```text
# 分布式训练结果(8卡，动态形状)
...
2020-10-16 20:40:17,148:INFO:epoch[0], iter[800], loss:283.765033, 248.93 imgs/sec, lr:0.00026233625249005854
2020-10-16 20:40:43,576:INFO:epoch[0], iter[900], loss:257.549973, 242.18 imgs/sec, lr:0.00029508734587579966
2020-10-16 20:41:12,743:INFO:epoch[0], iter[1000], loss:252.426355, 219.43 imgs/sec, lr:0.00032783843926154077
2020-10-16 20:41:43,153:INFO:epoch[0], iter[1100], loss:232.104760, 210.46 imgs/sec, lr:0.0003605895326472819
2020-10-16 20:42:12,583:INFO:epoch[0], iter[1200], loss:236.973975, 217.47 imgs/sec, lr:0.00039334059692919254
2020-10-16 20:42:39,004:INFO:epoch[0], iter[1300], loss:228.881298, 242.24 imgs/sec, lr:0.00042609169031493366
2020-10-16 20:43:07,811:INFO:epoch[0], iter[1400], loss:255.025714, 222.19 imgs/sec, lr:0.00045884278370067477
2020-10-16 20:43:38,177:INFO:epoch[0], iter[1500], loss:223.847151, 210.76 imgs/sec, lr:0.0004915939061902463
2020-10-16 20:44:07,766:INFO:epoch[0], iter[1600], loss:222.302487, 216.30 imgs/sec, lr:0.000524344970472157
2020-10-16 20:44:37,411:INFO:epoch[0], iter[1700], loss:211.063779, 215.89 imgs/sec, lr:0.0005570960929617286
2020-10-16 20:45:03,092:INFO:epoch[0], iter[1800], loss:210.425542, 249.21 imgs/sec, lr:0.0005898471572436392
2020-10-16 20:45:32,767:INFO:epoch[1], iter[1900], loss:208.449521, 215.67 imgs/sec, lr:0.0006225982797332108
2020-10-16 20:45:59,163:INFO:epoch[1], iter[2000], loss:209.700071, 242.48 imgs/sec, lr:0.0006553493440151215
...
```
### 迁移学习
可以基于预训练分类或检测模型来训练自己的模型。 按照以下步骤进行迁移学习。
1. 将数据集转换为COCO样式。 否则，必须添加自己的数据预处理代码。
2. 根据自己的数据集设置config.py，特别是`num_classes`。
3. 在调用`train.py`时，将参数`filter_weight`设置为`True`，`pretrained_checkpoint`设置为预训练检查点，这样将从预训练模型中筛选出最终的检测框权重。
4. 使用新的配置和参数构建自己的bash脚本。
## [评估过程](#目录)
### 验证
```bash
python eval.py \
--data_dir=./dataset/coco2017 \
--pretrained=yolov4.ckpt \
--testing_shape=608 > log.txt 2>&1 &
OR
sh run_eval.sh dataset/coco2017 checkpoint/yolov4.ckpt
```
上述python命令将在后台运行。 您可以通过log.txt文件查看结果。 测试数据集的mAP如下：
```text
# log.txt
=============coco eval reulst=========
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.442
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.635
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.479
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.274
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.485
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.567
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.331
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.545
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.590
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.418
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.638
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.717
```
### Test-dev
```bash
python test.py \
--data_dir=./dataset/coco2017 \
--pretrained=yolov4.ckpt \
--testing_shape=608 > log.txt 2>&1 &
OR
sh run_test.sh dataset/coco2017 checkpoint/yolov4.ckpt
```
predict_xxx.json文件位于test/outputs/%Y-%m-%d_time_%H_%M_%S/。
将文件predict_xxx.json重命名为detections_test-dev2017_yolov4_results.json，并将其压缩为detections_test-dev2017_yolov4_results.zip。
将detections_test-dev2017_yolov4_results.zip文件提交到MS COCO评估服务器用于test-dev 2019 (bbox) <https://competitions.codalab.org/competitions/20794#participate>。
您将在文件末尾获得这样的结果。查看评分输出日志。
```text
overall performance
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.447
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.642
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.487
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.267
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.485
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.549
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.335
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.547
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.584
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.392
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.627
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.711
```
## [转换过程](#目录)
### 转换
如果您想推断Ascend 310上的网络，则应将模型转换为MINDIR：
```python
python export.py --ckpt_file [CKPT_PATH] --file_name [FILE_NAME] --file_format [FILE_FORMAT]
```
必须设置ckpt_file参数。
`EXPORT_FORMAT`取值为["AIR", "ONNX", "MINDIR"]。
## [推理过程](#目录)
### 用法
在执行推理之前，必须在910环境上通过导出脚本导出MINDIR文件。
当前批处理大小只能设置为1。 精度计算过程需要70G+内存空间。
```shell
# Ascend 310推理
sh run_infer_310.sh [MINDIR_PATH] [DATA_PATH] [DEVICE_ID] [ANN_FILE]
```
`DEVICE_ID`是可选参数，默认值为0。
### 结果
推理结果保存在当前路径中，您可以在ac.log文件中找到类似如下结果。
```text
=============coco eval reulst=========
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.438
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.630
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.475
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.272
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.481
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.567
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.330
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.542
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.588
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.410
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.636
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.716
```
# [模型说明](#目录)
## [性能](#目录)
### 评估性能
YOLOv4应用于118000张图像上（标注和数据格式必须与COCO 2017相同）
|参数| YOLOv4 |
| -------------------------- | ----------------------------------------------------------- |
|资源| Ascend 910；CPU 2.60GHz, 192核；内存：755G；系统：EulerOS 2.8；|
|上传日期|2020年10月16日|
| MindSpore版本|1.0.0-alpha|
|数据集|118000张图像|
|训练参数|epoch=320, batch_size=8, lr=0.012,momentum=0.9|
| 优化器 | Momentum |
|损失函数|Sigmoid Cross Entropy with logits, Giou Loss|
|输出|框和标签|
|损失| 50 |
|速度| 1卡：53FPS；8卡：390FPS (shape=416) 220FPS (动态形状)|
|总时长|48小时（动态形状）|
|微调检查点|约500M（.ckpt文件）|
|脚本| <https://gitee.com/mindspore/mindspore/tree/master/model_zoo/> |
### 推理性能
YOLOv4应用于20000张图像上（标注和数据格式必须与COCO test 2017相同）
|参数| YOLOv4 |
| -------------------------- | ----------------------------------------------------------- |
| 资源 | Ascend 910；CPU 2.60GHz，192核；内存：755G |
|上传日期|2020年10月16日|
| MindSpore版本|1.0.0-alpha|
|数据集|20000张图像|
|批处理大小|1|
|输出|边框位置和分数，以及概率|
|精度|map >= 44.7%(shape=608)|
|推理模型|约500M（.ckpt文件）|
# [随机情况说明](#目录)
在dataset.py中，我们设置了“create_dataset”函数内的种子。
在var_init.py中，我们设置了权重初始化的种子。
# [ModelZoo主页](#目录)
请浏览官网[主页](https://gitee.com/mindspore/mindspore/tree/master/model_zoo)。