mAP提升40%！YOLO3改进版—— Poly-YOLO：更快，更精确的检测和实例分割

上图看测试效果

youtube 上有视频展示：/watch?v=2KxNnEV-Zes

环境要求：

demo链接：/irafm-ai/poly-yolo

提示：论文所用的python3.5作者已经试过，发现不能安装tensorflow-gpu 1.15.0版本，换成python3.6成功：

详细环境：

python3.6tensorflow-gpu 1.15.0keras 2.3.0numpy pillow matplotlib opencvcuda 10.2Ubuntu16.04

环境安装：

1、conda 环境安装：

wget /archive/Anaconda3-.11-Linux-x86_64.shbash Anaconda3-.11-Linux-x86_64.sh

一路敲 Enter 键 和输入yes ，然后验证PATH环境变量是否生效，出现conda版本则安装成功

source ~/.bashrcconda -V

2、conda虚拟环境创建

conda create -n POLY_YOLO python=3.6conda activate POLY_YOLO

3、虚拟环境中python包的安装

PS：执行以下命令的时候如果出现，添加channel的提示，请换源/weixin_38705903/article/details/106168366

conda install tensorflow-gpu==1.15.0conda install keras==2.3.0conda install numpyconda install pillowconda install opencvconda install matplotlib

demo：

准备数据集，制作成train.txt val.txt test.txt放到路径poly-yolo-master/poly_yolo下

论文代码中，将coco数据集转成yolo需要的数据集格式，脚本已给出：

/poly-yolo-master/poly_yolo/conversion_scripts/coco_to_yolo.py

poly_yolo数据格式为：

（path_to\image1.jpg x1,y1,x2,y2,class,p1x,p1y,pnx,pny x1,y1,x2,y2,class,p1x,p1y,pnx,pny)，

其中x1,y1,x2,y2为bbox框的左上角和右下角，class为类别标签，p1x,p1y,pnx,pny为语义分割的vertexes。

模型训练：

python poly_yolo.py

模型预测：使用jupyter执行poly_yolo_inference.ipynb

BUG列举：

1、K.learning_phase(): 0此处报错：

Etensorflow/stream_executor/cuda/:329]Could not create cudnn handle: CUDNN_STATUS_INTER

解决方法：

import tensorflow as tf#=======config = tf.ConfigProto()config.gpu_options.allow_growth = Truesession = tf.Session(config=config)#======

2、由于博主主机之前安装了ROS，因而不能引入cv2报错：

解决方法：

import sysros_path = '/opt/ros/kinetic/lib/python2.7/dist-packages'if ros_path in sys.path:sys.path.remove(ros_path)import cv2sys.path.append('/opt/ros/kinetic/lib/python2.7/dist-packages')

如果觉得《Poly-YOLO keras代码记录》对你有帮助，请点赞、收藏，并留下你的观点哦！