论文地址https://arxiv.org/pdf/2309.11331.pdf
代码地址https://github.com/huawei-noah/Efficient-Computing
目录
01论文介绍
01摘要
02模型训练过程
01安装环境
02修改train中参数
01修改--data-path参数
02修改--conf-file参数
03其他参数设置
03训练
04出现问题
01论文介绍
Gold-YOLO是华为2023年9月在NeurIPS顶会上提出的有关yolo系列中普遍存在的FPN中的信息传输问题的解决方案。
01摘要
在过去的几年中，YOLO系列模型已经成为实时目标检测领域的领先方法。许多研究通过修改架构、增加数据和设计新的损失函数，将基线推向了更高的水平。然而以前的模型仍然存在信息融合问题，尽管特征金字塔网络（FPN）和路径聚合网络（PANet）已经在一定程度上缓解了这个问题。因此，本研究提出了一种先进的聚集和分发机制（GD机制），该机制通过卷积和自注意力操作实现。这种新设计的模型被称为Gold-YOLO，它提升了多尺度特征融合能力，在所有模型尺度上实现了延迟和准确性的理想平衡。此外，本文首次在YOLO系列中实现了MAE风格的预训练，使得YOLO系列模型能够从无监督预训练中受益。Gold-YOLO-N在COCO val2017数据集上实现了出色的39.9% AP，并在T4 GPU上实现了1030 FPS，超过了之前的SOTA模型YOLOv6-3.0-N，其FPS相似，但性能提升了2.4%。
02模型训练过程
模型代码
01安装环境
在终端里输入安装依赖项
pip install -r requirements.txt02修改train中参数
找到def get_args_parser函数，对其下方参数修改
def get_args_parser(add_help=True):
parser = argparse.ArgumentParser(description='YOLOv6 PyTorch Training', add_help=add_help)01修改--data-path参数
选择你的数据集格式，我是voc数据集格式，所有我复制data路径下voc.yaml改名pole。
parser.add_argument('--data-path', default='./data/coco.yaml', type=str, help='path of dataset')上面代码改为
parser.add_argument('--data-path', default='./data/pole.yaml', type=str, help='path of dataset')进入到data/pole.yaml
# Please insure that your custom_dataset are put in same parent dir with YOLOv6_DIR
train: VOCdevkit/voc_07_12/images/train # train images
val: VOCdevkit/voc_07_12/images/val # val images
test: VOCdevkit/voc_07_12/images/val # test images (optional)
# whether it is coco dataset, only coco dataset should be set to True.
is_coco: False
# Classes
nc: 20 # number of classes
names: ['aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus', 'car', 'cat', 'chair', 'cow', 'diningtable', 'dog',
'horse', 'motorbike', 'person', 'pottedplant', 'sheep', 'sofa', 'train', 'tvmonitor'] # class names修改你的路径，我用的绝对路径，以及nc类别数量，以及各类名称，下面两种都可以。
# Please insure that your custom_dataset are put in same parent dir with YOLOv6_DIR
train: D:\DBSY\Efficient-Computing-master\Detection\Gold-YOLO\data\VOCdevkit\images/train # train images
val: D:\DBSY\Efficient-Computing-master\Detection\Gold-YOLO\data\VOCdevkit\images/train # val images
test: D:\DBSY\Efficient-Computing-master\Detection\Gold-YOLO\data\VOCdevkit\images/train # test images (optional)
is_coco: False
nc: 8 # number of classes
names: ['powerdirty', 'powerdirtyl', 'powerdirtys', 'lightdirty', 'lightdirtys', 'powerbreakb', 'powerbreak', 'powerbreakt'] # class names
# 0: powerdirty
# 1: powerdirtyl
# 2: powerdirtys
# 3: lightdirty
# 4: lightdirtys
# 5: powerbreakb
# 6: powerbreak
# 7: powerbreakt数据放置，我是在data/VOCdevkit路径下，创建了VOCdevkit，标签格式是txt。
其中子目录下放置的是，images和labels两个文件夹，分别在这个两个文件夹下放置，train,val和test文件夹。以及分别放置标签。
02修改--conf-file参数
这个是加载训练的文件，在configs路径下，里面有个几个，我选择了gold_yolo-m.py。
parser.add_argument('--conf-file', default='./configs/yolov6n.py', type=str, help='experiments description file')修改为，同样使用的绝对路径
parser.add_argument('--conf-file', default=r'D:\DBSY\Efficient-Computing-master\Detection\Gold-YOLO\configs\gold_yolo-m.py', type=str, help='experiments description file')03其他参数设置
剩下的各种参数设置比较随意了
--batch-size根据电脑来，我设为了4，设为8，16都行。
parser.add_argument('--batch-size', default=4, type=int, help='total batch size for all GPUs')--epochs，我没改让他跑400轮看看
parser.add_argument('--epochs', default=400, type=int, help='number of total epochs to run')--workers这个几线程，一般电脑没有高线程，就改低，我是设为2.
parser.add_argument('--workers', default=2, type=int, help='number of data loading workers (default: 8)')
--device 设备，这个使用的GPU，默认是0，也就是使用第一个GPU.
parser.add_argument('--device', default='0', type=str, help='cuda device, i.e. 0 or 0,1,2,3 or cpu')--eval-interval，评价相隔轮次，默认20轮评价一次，
parser.add_argument('--eval-interval', default=20, type=int, help='evaluate at every interval epochs')03训练
直接在train.py中点击运行，开始训练
04出现问题
如果出报错，
File "D:\DBSY\Efficient-Computing-masteryolo\toolstrain.py"line 130，in <module>
main(args)
File"D:\DBSY\Efficient-Computtine 120, in maintrainer.train()File "D:\DBSY\Efficient-Computing-masten DetectionlGold-YOLOlyolov6 corelenginepy", line 109, in trainself.train_in_loop(self.epoch)
File "D:IDBSYIEfficient-Comouting-masteriDetectioniold-YOLO volovo core enaine.py". line 127, in train-in_loo
self.print_details()
File "D:\DBSY\Efficient-Computing-master\Detection\Gold-YOLO yolov6\coreengine.py"line 339,in print_detailsself.mean_loss = (self.mean_loss * self.step + self.loss_items) (self.step + 1)AttributeError:'Trainer' object has no attribute loss_items'将你调用的哪个configs/gold_yolo-m.py路径下。其中type取值修改一下
norm_cfg=dict(type='SyncBN', requires_grad=True),norm_cfg=dict(type='BN', requires_grad=True),
