YOLOv3_ENHANCEMENT.md

YOLOv3增强模型

---

简介

YOLOv3 是由 Joseph Redmon 和 Ali Farhadi 提出的单阶段检测器, 该检测 器与达到同样精度的传统目标检测方法相比，推断速度能达到接近两倍.

PaddleDetection实现版本中使用了 Bag of Freebies for Training Object Detection Neural Networks 中提出的图像增强和label smooth等优化方法，精度优于darknet框架的实现版本，在COCO-2017数据集上，YOLOv3(DarkNet)达到mAP(0.50:0.95)= 38.9的精度，比darknet实现版本的精度(33.0)要高5.9。同时，在推断速度方面，基于Paddle预测库的加速方法，推断速度比darknet高30%。

在此基础上，PaddleDetection对YOLOv3进一步改进，得到了更大的精度和速度优势。

方法描述

将YOLOv3骨架网络更换为ResNet50-vd，同时在最后一个Residual block中引入Deformable convolution v2(可变形卷积)替代原始卷积操作。另外，使用object365数据集训练得到的模型作为coco数据集上的预训练模型，进一步提高YOLOv3的精度。

使用方法

模型训练

export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
python tools/train.py -c configs/dcn/yolov3_r50vd_dcn.yml

更多模型参数请使用python tools/train.py --help查看，或参考训练、评估及参数说明文档

模型效果

模型	预训练模型	验证集 mAP	P4预测速度	下载
YOLOv3 DarkNet	DarkNet pretrain	38.9	原生：88.3ms tensorRT-FP32: 42.5ms	下载链接
YOLOv3 ResNet50_vd dcn	ImageNet pretrain	39.1	原生：74.4ms tensorRT-FP32: 35.2ms	下载链接
YOLOv3 ResNet50_vd dcn	Object365 pretrain	41.4	原生：74.4ms tensorRT-FP32: 35.2ms	下载链接