Skip to content

Latest commit

 

History

History
 
 

yolov3_resnet50_vd_coco2017

README.md

yolov3_resnet50_vd_coco2017

模型名称 yolov3_resnet50_vd_coco2017
类别 图像 - 目标检测
网络 YOLOv3
数据集 COCO2017
是否支持Fine-tuning 否
模型大小 178MB
最新更新日期 2021-03-15
数据指标 -

一、模型基本信息

  • 应用效果展示

    • 样例结果示例：


  • 模型介绍

    • 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。 YOLOv3将输入图像划分格子，并对每个格子预测bounding box。YOLOv3的loss函数由三部分组成：Location误差，Confidence误差和分类误差。该PaddleHub Module预训练数据集为COCO2017，目前仅支持预测。

二、安装

三、模型API预测

  • 1、命令行预测

    • $ hub run yolov3_resnet50_vd_coco2017 --input_path "/PATH/TO/IMAGE"
    • 通过命令行方式实现目标检测模型的调用，更多请见 PaddleHub命令行指令

  • 2、预测代码示例

    • import paddlehub as hub
import cv2

object_detector = hub.Module(name="yolov3_resnet50_vd_coco2017")
result = object_detector.object_detection(images=[cv2.imread('/PATH/TO/IMAGE')])
# or
# result = object_detector.object_detection((paths=['/PATH/TO/IMAGE'])

  • 3、API

    • def object_detection(paths=None,
                     images=None,
                     batch_size=1,
                     use_gpu=False,
                     output_dir='detection_result',
                     score_thresh=0.5,
                     visualization=True)

      • 预测API，检测输入图片中的所有目标的位置。

      • 参数

        • paths (list[str]): 图片的路径；
        • images (list[numpy.ndarray]): 图片数据，ndarray.shape 为 [H, W, C]，BGR格式；
        • batch_size (int): batch 的大小；
        • use_gpu (bool): 是否使用 GPU；
        • output_dir (str): 图片的保存路径，默认设为 detection_result；
        • score_thresh (float): 识别置信度的阈值；
        • visualization (bool): 是否将识别结果保存为图片文件。

        NOTE: paths和images两个参数选择其一进行提供数据

      • 返回

        • res (list[dict]): 识别结果的列表，列表中每一个元素为 dict，各字段为:
          • data (list): 检测结果，list的每一个元素为 dict，各字段为:
            • confidence (float): 识别的置信度
            • label (str): 标签
            • left (int): 边界框的左上角x坐标
            • top (int): 边界框的左上角y坐标
            • right (int): 边界框的右下角x坐标
            • bottom (int): 边界框的右下角y坐标
          • save_path (str, optional): 识别结果的保存路径 (仅当visualization=True时存在)
    • def save_inference_model(dirname,
                         model_filename=None,
                         params_filename=None,
                         combined=True)

      • 将模型保存到指定路径。

      • 参数

        • dirname: 存在模型的目录名称；
        • model_filename: 模型文件名称，默认为__model__；
        • params_filename: 参数文件名称，默认为__params__(仅当combined为True时生效)；
        • combined: 是否将参数保存到统一的一个文件中。

四、服务部署

  • PaddleHub Serving可以部署一个目标检测的在线服务。

  • 第一步：启动PaddleHub Serving

    • 运行启动命令：

    • $ hub serving start -m yolov3_resnet50_vd_coco2017

    • 这样就完成了一个目标检测的服务化API的部署，默认端口号为8866。

    • NOTE: 如使用GPU预测，则需要在启动服务之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。

  • 第二步：发送预测请求

    • 配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果

    • import requests
import json
import cv2
import base64


def cv2_to_base64(image):
  data = cv2.imencode('.jpg', image)[1]
  return base64.b64encode(data.tostring()).decode('utf8')

# 发送HTTP请求
data = {'images':[cv2_to_base64(cv2.imread("/PATH/TO/IMAGE"))]}
headers = {"Content-type": "application/json"}
url = "http://127.0.0.1:8866/predict/yolov3_resnet50_vd_coco2017"
r = requests.post(url=url, headers=headers, data=json.dumps(data))

# 打印预测结果
print(r.json()["results"])

五、更新历史

  • 1.0.0

    初始发布

  • 1.0.2

    修复numpy数据读取问题

    • $ hub install yolov3_resnet50_vd_coco2017==1.0.2