本仓库是自己阅读 YOLOv4 论文时对其进行的复现。
在 PASCAL VOC 2007 数据集上进行测试，最终 mAP 值为 78.93%.
由于本人水平有限，该仓库的复现还有诸多不够完善的地方，可以在 Issues 中提出，我也会继续改进。
需要安装以下依赖：
- Python >= 3.7
- PyTorch >= 1.4.0
- torchvision >= 0.5.0
- opencv-python >= 4.2.0.32
- Jupyter >= 1.0.0
- numpy >= 1.17.0
使用 Jupyter Notebook 打开 predict.ipynb。
默认在 GPU 上推理，如果需要在 CPU 上进行，请修改
#device = torch.device('cuda')
device = torch.device('cpu')下载预训练好的模型（下载地址（提取码：s5h5））并放在同一目录下。
在 Jupyter Notebook 中运行以下代码：
predictImage(image_path)例如：
predictImage('testImage.JPG')使用 Jupyter Notebook 打开 predict.ipynb。
默认在 GPU 上推理，如果需要在 CPU 上进行，请修改
#device = torch.device('cuda')
device = torch.device('cpu')下载预训练好的模型（下载地址（提取码：s5h5））并放在同一目录下。
在 Jupyter Notebook 中运行以下代码：
predictVideo(image_path)例如：
predictVideo('testVideo.mpeg')使用 Jupyter Notebook 打开 eval.ipynb。
默认在 GPU 上推理，如果需要在 CPU 上进行，请修改
#device = torch.device('cuda')
device = torch.device('cpu')下载 PASCAL VOC 2007 test 数据集（下载地址），并将其中的 JPEGImages 和 Annotations 单独放到一个目录。
下载预训练好的模型（下载地址（提取码：s5h5））并放在同一目录下。
在 Jupyter Notebook 中运行以下代码：
eval(dir_path)例如：
eval('dataset/VOC2007test')然后进入 mAP 目录：
cd mAP命令行运行以下代码：
python main.py使用 Jupyter Notebook 打开 train.ipynb。
默认在 GPU 上推理，如果需要在 CPU 上进行，请修改
#device = torch.device('cuda')
device = torch.device('cpu')下载 PASCAL VOC 2007 train（下载地址） & test（下载地址）数据集，并将其中的 JPEGImages 和 Annotations 分别单独放到一个目录。
设置好数据集路径：
train_data = PASCALVOC('dataset/VOC2007train', get_transform(train=True))
test_data = PASCALVOC('dataset/VOC2007test', get_transform(train=False))下载 PyTorch 预训练好的模型（下载地址）并放在同一目录下。
其余超参数可以在源码中进行修改。