tensorflow-yolov4-tflite

YOLOv4、YOLOv4-tiny 基于 TensorFlow 2.0 实现。 将 YOLO v4、YOLOv3、YOLO tiny 的 .weights 文件转换为适用于 TensorFlow、TensorFlow Lite 和 TensorRT 的 .pb、.tflite 和 trt 格式。

下载 yolov4.weights 文件：https://drive.google.com/open?id=1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT

先决条件

• TensorFlow 2.3.0rc0

性能

演示

# 将 Darknet 权重转换为 TensorFlow 模型
## yolov4
python save_model.py --weights ./data/yolov4.weights --output ./checkpoints/yolov4-416 --input_size 416 --model yolov4 

## yolov4-tiny
python save_model.py --weights ./data/yolov4-tiny.weights --output ./checkpoints/yolov4-tiny-416 --input_size 416 --model yolov4 --tiny

# 运行 TensorFlow 演示
python detect.py --weights ./checkpoints/yolov4-416 --size 416 --model yolov4 --image ./data/kite.jpg

python detect.py --weights ./checkpoints/yolov4-tiny-416 --size 416 --model yolov4 --image ./data/kite.jpg --tiny

如果要运行 yolov3 或 yolov3-tiny，只需在命令中将 --model yolov3 更改为 --model yolov3 即可。

输出

Yolov4 原始权重

Yolov4 tflite int8

转换为 tflite

# 保存用于 tflite 转换的 TF 模型
python save_model.py --weights ./data/yolov4.weights --output ./checkpoints/yolov4-416 --input_size 416 --model yolov4 --framework tflite

# yolov4
python convert_tflite.py --weights ./checkpoints/yolov4-416 --output ./checkpoints/yolov4-416.tflite

# yolov4 量化为 float16
python convert_tflite.py --weights ./checkpoints/yolov4-416 --output ./checkpoints/yolov4-416-fp16.tflite --quantize_mode float16

# yolov4 量化为 int8
python convert_tflite.py --weights ./checkpoints/yolov4-416 --output ./checkpoints/yolov4-416-int8.tflite --quantize_mode int8 --dataset ./coco_dataset/coco/val207.txt

# 运行 tflite 模型演示
python detect.py --weights ./checkpoints/yolov4-416.tflite --size 416 --model yolov4 --image ./data/kite.jpg --framework tflite

Yolov4 和 Yolov4-tiny 的 int8 量化目前仍存在一些问题，我正在努力修复。您可以尝试 Yolov3 和 Yolov3-tiny 的 int8 量化。

转换为 TensorRT

# yolov3
python save_model.py --weights ./data/yolov3.weights --output ./checkpoints/yolov3.tf --input_size 416 --model yolov3
python convert_trt.py --weights ./checkpoints/yolov3.tf --quantize_mode float16 --output ./checkpoints/yolov3-trt-fp16-416

# yolov3-tiny
python save_model.py --weights ./data/yolov3-tiny.weights --output ./checkpoints/yolov3-tiny.tf --input_size 416 --tiny
python convert_trt.py --weights ./checkpoints/yolov3-tiny.tf --quantize_mode float16 --output ./checkpoints/yolov3-tiny-trt-fp16-416

# yolov4
python save_model.py --weights ./data/yolov4.weights --output ./checkpoints/yolov4.tf --input_size 416 --model yolov4
python convert_trt.py --weights ./checkpoints/yolov4.tf --quantize_mode float16 --output ./checkpoints/yolov4-trt-fp16-416

在 COCO 2017 数据集上评估

# 运行 /script/get_coco_dataset_2017.sh 脚本下载 COCO 2017 数据集
# 预处理 COCO 数据集
cd data
mkdir dataset
cd ..
cd scripts
python coco_convert.py --input ./coco/annotations/instances_val2017.json --output val2017.pkl
python coco_annotation.py --coco_path ./coco 
cd ..

# 评估 yolov4 模型
python evaluate.py --weights ./data/yolov4.weights
cd mAP/extra
python remove_space.py
cd ..
python main.py --output results_yolov4_tf

COCO 2017 数据集上的 mAP50

检测模型	512x512	416x416	320x320
YoloV3	55.43	52.32
YoloV4	61.96	57.33

基准测试

python benchmarks.py --size 416 --model yolov4 --weights ./data/yolov4.weights

TensorRT 性能

YoloV4 416 张/秒	FP32	FP16	INT8
批量大小 1	55	116
批量大小 8	70	152

Tesla P100

检测模型	512x512	416x416	320x320
YoloV3 FPS	40.6	49.4	61.3
YoloV4 FPS	33.4	41.7	50.0

Tesla K80

检测模型	512x512	416x416	320x320
YoloV3 FPS	10.8	12.9	17.6
YoloV4 FPS	9.6	11.7	16.0

Tesla T4

检测模型	512x512	416x416	320x320
YoloV3 FPS	27.6	32.3	45.1
YoloV4 FPS	24.0	30.3	40.1

Tesla P4

检测模型	512x512	416x416	320x320
YoloV3 FPS	20.2	24.2	31.2
YoloV4 FPS	16.2	20.2	26.5

Macbook Pro 15 (2.3GHz i7)

检测模型	512x512	416x416	320x320
YoloV3 FPS
YoloV4 FPS

训练您自己的模型

# 准备您的数据集
# 如果您想从头开始训练：
在 config.py 中将 FISRT_STAGE_EPOCHS 设置为 0 
# 运行脚本：
python train.py

# 迁移学习：
python train.py --weights ./data/yolov4.weights

目前训练性能尚未完全复现，因此建议使用 Alex 的 Darknet 来训练您自己的数据，然后再将 .weights 文件转换为 TensorFlow 或 TensorFlow Lite 格式。

待办事项

• 将 YOLOv4 转换为 TensorRT
• YOLOv4 tflite 在 Android 上运行
• YOLOv4 tflite 在 iOS 上运行
• 训练代码
• 更新尺度 xy
• ciou
• Mosaic 数据增强
• Mish 激活函数
• YOLOv4 tflite 版本
• YOLOv4 in8 tflite 版本，适用于移动端

参考文献

• YOLOv4：目标检测的最佳速度与精度 YOLOv4。
• darknet

我的项目受到以下优秀 YOLOv3 实现的启发：

• Yolov3 tensorflow
• Yolov3 tf2

tensorflow-yolov4-tflite 快速上手指南

本指南帮助开发者快速在 TensorFlow 2.0 环境下部署 YOLOv4 及 YOLOv4-tiny 模型，支持转换为 .pb、.tflite (移动端) 和 TensorRT (边缘计算) 格式。

环境准备

• 操作系统: Linux / macOS / Windows
• Python 版本: 推荐 Python 3.6 - 3.8
• 核心依赖:
  • TensorFlow 2.3.0rc0 (或兼容的 TF 2.x 版本)
  • OpenCV-python
  • NumPy
• 硬件要求:
  • 训练或转换大型模型建议使用 NVIDIA GPU (需安装 CUDA 和 cuDNN)。
  • 仅推理可使用 CPU。

安装依赖命令：

pip install tensorflow==2.3.0rc0
pip install opencv-python numpy

提示：国内用户建议使用清华源或阿里源加速安装： pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow==2.3.0rc0 opencv-python numpy

安装步骤

1. 克隆项目代码

   git clone https://github.com/hunglc007/tensorflow-yolov4-tflite.git
   cd tensorflow-yolov4-tflite
   

2. 下载预训练权重 从 Google Drive 下载 YOLOv4 权重文件 (yolov4.weights) 并放入 ./data/ 目录。

   • 官方链接: https://drive.google.com/open?id=1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT
   • 国内加速建议: 若下载缓慢，可搜索"YOLOv4 weights 百度网盘”获取国内镜像资源，下载后重命名为 yolov4.weights 并存入 data 文件夹。

基本使用

以下流程演示如何将 Darknet 权重转换为 TensorFlow 模型并进行图像检测。

1. 转换权重 (.weights -> .pb)

将下载的 Darknet 权重转换为 TensorFlow SavedModel 格式。

YOLOv4 标准版：

python save_model.py --weights ./data/yolov4.weights --output ./checkpoints/yolov4-416 --input_size 416 --model yolov4 

YOLOv4-Tiny 轻量版：

python save_model.py --weights ./data/yolov4-tiny.weights --output ./checkpoints/yolov4-tiny-416 --input_size 416 --model yolov4 --tiny

2. 运行检测 Demo

使用转换好的模型对图片进行目标检测。

检测示例：

python detect.py --weights ./checkpoints/yolov4-416 --size 416 --model yolov4 --image ./data/kite.jpg

• 输出结果图片将保存在项目根目录下。
• 若使用 Tiny 模型，请添加 --tiny 参数并指向对应的权重路径。

3. (可选) 转换为 TFLite 格式

适用于 Android/iOS 等移动端部署。

转换为标准 TFLite：

python save_model.py --weights ./data/yolov4.weights --output ./checkpoints/yolov4-416 --input_size 416 --model yolov4 --framework tflite
python convert_tflite.py --weights ./checkpoints/yolov4-416 --output ./checkpoints/yolov4-416.tflite

运行 TFLite 模型检测：

python detect.py --weights ./checkpoints/yolov4-416.tflite --size 416 --model yolov4 --image ./data/kite.jpg --framework tflite

注意：目前 YOLOv4 的 INT8 量化版本可能存在精度问题，建议优先尝试 FP16 量化或使用 YOLOv3 系列进行 INT8 量化测试。