YOLOv3-spp框架图

复现细节和结果

 1 total param num 62,675,649,计算量：117.3 GFLOPS
 2 backbone: Yolov3-spp
 3 优化器：optimizer = torch.optim.SGD(params, lr=0.001, momentum=0.937, weight_decay=5e-4)
 4 学习率更新:呈cos函数形式
 5 损失函数=置信损失(GIOU)+分类损失+定位损失,nn.BCEWithLogitsLoss

 6 batch=8 
 7 加载官方完整预训练权重 
 8 epoch = 30 
 9 每epoch，train：1m47s，test：58s，total:1h19m 
 10 训练集：PASCALVOC-2012train(5717) 
 11 测试集：PASCALVOC-2012val(5823) 
 12 GPU: 1 x RTX 3070ti 
 13 平均推理时间和FPS:0.00961s,104fps（RTX 3070ti）

学习率变化图

在本次学习记录过程，我采用的tensorboard来记录训练过程，没有采用wandb，感觉画图的效果也还行

mAP@[IOU=0.50:0.95]

mAP@[IOU=0.50]

mAR@[IOU=0.50:0.95]

 train loss

预测结果

加载训练完的权重，在测试集上对模型进行验证，这里测试集=训练中的验证集

 从这张图片看来，感觉可以跟Faster R-CNN+FPN效果差不多了，挺不错的

推理速度对比：faster rcnn-fpn:0.0448，22 fps |  SSD:0.0112,89 fps | RetinaNet:0.0517,21 fps | YOLOv3 -SPP: 0.00961s,104fps

推理速度是最快的，相比faster rcnn-fpn或RetinaNet来说，推理速度快了5倍