DIoU_YOLO_V3

DIoU-Darknet 训练目标检测任务的过程

YOLOv3 with DIoU and CIoU losses implemented in Darknet

[arxiv] [pdf]

Xu Jing

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

1.修改Makefile并make

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0

make

2.数据

VOC格式数据！

3.配置文件

• (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！

4.训练

./darknet detector train cfg/myData-diou.data cfg/myData-diou.cfg darknet53.conv.74 #-gpus 0,1

5.Evaluation

./darknet detector test cfg/myData.data cfg/myData-ciou.cfg backup/ciou/myData-ciou_14000.weights data/test1.jpg

6.DEMO

Reference

@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},
}