前言

 扔掉学术偏见            ，拥抱工程化的Yolo 
  
  
  
  
  
 。由于一直没有使用过yolo 
  
 
  
 
  
 
  
 
  
 
  
，因此本文旨在从0基础配置yolo环境并训练和测试
  
  
  
  
  
  。

 论文地址

 代码地址

1 
  
  
  
  
  
 、准备工作

首先下载coco2017数据集











，怎么下载这个我就不详细介绍了 
  
  
  
  
  
 ，但注意的是 
  
  
  
  
  
 ，虽然原始coco数据集的文件夹名称也为coco

 


 


 


 


 


 
，但为了和yolo所使用的进行区分 
 
 
 
 
 
，请将coco数据集命名为coco2017
 


 


 


 


 


 

。 然后下载原始coco格式的标签并解压 
   
   
   
   
   
  ，解压后请务必将person_keypoints_val2017.json文件拷贝到coco/annotations/下
 

 

 

 

 

 
，否则后续评估报错！ 新建一个coco_kpts文件夹
 

 

 

 

 

 
，下载yolo格式的关键点检测的标签并解压到coco_kpts文件夹内（谷歌云盘            ，没有梯子的自己想想办法把 

 
 

 
 

 
 

 
 

 
 

 
，别私聊问我要了）；同时创建软连接或者将coco2017中的images和annotations两个文件夹拷贝到coco_kpts下面 
 
 
 
 
 
。最终coco_kpts/如下图：先忽略train2017.cache











，后续在训练时会生成
   
   
   
   
   
   。

 最后下载代码并解压至和coco_kpts同级目录下即可
 

 

 

 

 

 
。

 在准备完成后                  ，最终的一个文件树为：

 至此 
 
 
 
 
 
 
 
 
 
 
 
，便可以训练yolo-pose 

 

 

 

 

 

。

2
  
  
  
  
  
  、训练模型

2.1.可能报的错：AttributeError: Cant get attribute SPPF on module models.common

 参考链接

 在model/common.py文件中加上如下代码即可            。 import warnings class SPPF(nn.Module): # Spatial Pyramid Pooling - Fast (SPPF) layer for YOLOv5 by Glenn Jocher def __init__(self, c1, c2, k=5): # equivalent to SPP(k=(5, 9, 13)) super().__init__() c_ = c1 // 2 # hidden channels self.cv1 = Conv(c1, c_, 1, 1) self.cv2 = Conv(c_ * 4, c2, 1, 1) self.m = nn.MaxPool2d(kernel_size=k, stride=1, padding=k // 2) def forward(self, x): x = self.cv1(x) with warnings.catch_warnings(): warnings.simplefilter(ignore) # suppress torch 1.9.0 max_pool2d() warning y1 = self.m(x) y2 = self.m(y1) return self.cv2(torch.cat([x, y1, y2, self.m(y2)], 1))

2.2.训练模型

python train.py --data coco_kpts.yaml --cfg yolov5s6_kpts.yaml --batch-size 64 --img 640 --kpt-label

 需要训练300个epoch

















，等训练完我会补充下结果            ，目前来看 
  
 
  
 
  
 
  
 
  
 
  
，效果果然好











，3个epoch情况下达到了oks达到了38.3 
  
  
  
  
  
 ，恐怖

 
 

 
 

 
 

 
 

 
 

 
 。：

  训练了100epoch 
  
  
  
  
  
 ，oks在测试集精度为46











。官方汇报的是57

 


 


 


 


 


 
，训了300epoch                  。

2.3.测试模型

 首先在readme中下载一个训练好的权重 
 
 
 
 
 
，如下图 
   
   
   
   
   
  ，点击那个Yolo5s6_pose_640
 

 

 

 

 

 
，将下载好的.pt放到edgeai-yolov5-yolo-pose文件夹内
 
 
 
 
 
 
 
 
 
 
 
 。

 测试命令：

python test.py --data coco_kpts.yaml --img 640 --conf 0.001 --iou 0.65 --weights "/path/to/edgeai-yolov5-yolo-pose/last.pt" --kpt-label

 测试结果：59.9比官方汇报的高两个点

















。

可视化

 测试/训练的可视化图都在runs文件夹内
 

 

 

 

 

 
，我这里放几张测试图例：

总结

 有问题欢迎+vx: wulele2541612007            ，后续有空会出yolo-pose的源码解读 

 
 

 
 

 
 

 
 

 
 

 
，敬请期待            。