高斯 YOLOv3：一种用于自动驾驶的基于定位不确定性、准确且快速的目标检测器

高斯 YOLOv3 实现

本仓库包含我们 ICCV 2019 论文 的代码。

所提出的算法基于 YOLOv3 官方代码 实现。

提供的示例权重文件（“Gaussian_yolov3_BDD.weights”）并非论文中使用的权重文件，而是为验证发布代码而新训练的权重。由于该权重文件比论文中使用的权重更准确，因此我们在仓库中提供了此文件。

海报

引用

@InProceedings{Choi_2019_ICCV,
author = {Choi, Jiwoong and Chun, Dayoung and Kim, Hyun and Lee, Hyuk-Jae},
title = {Gaussian YOLOv3: An Accurate and Fast Object Detector Using Localization Uncertainty for Autonomous Driving},
booktitle = {The IEEE International Conference on Computer Vision (ICCV)},
month = {October},
year = {2019}
}

要求

代码已在以下环境中测试：

Ubuntu 16.04, NVIDIA GTX 1080 Ti with CUDA 8.0 and cuDNNv7, OpenCV 3.4.0

Ubuntu 16.04, NVIDIA Titan Xp with CUDA 9.0 and cuDNNv7, OpenCV 3.3.0

设置

请参阅 YOLOv3 官网说明 设置

数据集

我们使用伯克利深度驱动（BDD）数据集测试了我们的算法。

如果您想使用 BDD 数据集，请访问 BDD 官网 并下载数据集。

训练

在训练时，您需要制作图像列表文件（例如，“train_bdd_list.txt”）以及标注数据。请参考以下网站：YOLOv3、如何训练 YOLO

仓库中的列表文件（“train_bdd_list.txt”、“val_bdd_list.txt”、“test_bdd_list.txt”）仅为示例。您必须根据计算机上数据集的实际路径修改列表中文件名的目录。

下载预训练权重 darknet53.conv.74

下载代码

git clone https://github.com/jwchoi384/Gaussian_YOLOv3

cd Gaussian_YOLOv3

编译代码

make

在 cfg 文件中将 batch 设置为 64，subdivisions 设置为 16。

我们在实验中使用了 4 张 GPU 卡。如果您的计算机在训练时出现显存不足的情况，请增加 cfg 文件中的 subdivisions 值。

通过命令行开始训练

./darknet detector train cfg/BDD.data cfg/Gaussian_yolov3_BDD.cfg darknet53.conv.74

如果您想使用多张 GPU 卡，

./darknet detector train cfg/BDD.data cfg/Gaussian_yolov3_BDD.cfg darknet53.conv.74 -gpus 0,1,2,3

推理

下载高斯 YOLOv3 示例权重文件。Gaussian_yolov3_BDD.weights

在 cfg 文件中将 batch 设置为 1，subdivisions 设置为 1。

运行以下命令：

1. make
2. ./darknet detector test cfg/BDD.data cfg/Gaussian_yolov3_BDD.cfg Gaussian_yolov3_BDD.weights data/example.jpg

您可以看到结果：

评估

下载高斯 YOLOv3 示例权重文件。Gaussian_yolov3_BDD.weights

进行评估时，您必须更改 cfg 文件中的 batch 和 subdivision 大小。 如下所示：batch = 1, subdivision = 1

运行以下命令，您可以获得超过 42 FPS 的检测速度。

1. make

2. ./darknet detector valid cfg/BDD.data cfg/Gaussian_yolov3_BDD.cfg Gaussian_yolov3_BDD.weights

3. cd bdd_evaluation/（我们从 https://github.com/ucbdrive/bdd-data 获取了此代码）

4. python evaluate.py det gt_bdd_val.json ../results/bdd_results.json

您将得到：

AP : 9.45 (自行车)
AP : 40.28 (公交车)
AP : 40.56 (汽车)
AP : 8.66 (摩托车)
AP : 16.85 (行人)
AP : 10.59 (骑车人)
AP : 7.91 (交通信号灯)
AP : 23.15 (交通标志)
AP : 0.00 (火车)
AP : 40.28 (卡车)
[9.448295420802772, 40.28022967768842, 40.562338308273596, 8.658317480713093, 16.85103955706777, 10.588396343004272, 7.914563796458698, 23.147189144825003, 0.0, 40.27786994583501] 

9.45 40.28 40.56 8.66 16.85 10.59 7.91 23.15 0.00 40.28

mAP 19.77（输入分辨率为 512 x 512）`

如果您想获取 BDD 测试集上的 mAP，

1. make
2. 将 cfg 文件中的列表文件更改为测试集列表（“val_bdd_list.txt”改为“test_bdd_list.txt”，位于“cfg/BDD.data”中）
3. ./darknet detector valid cfg/BDD.data cfg/Gaussian_yolov3_BDD.cfg Gaussian_yolov3_BDD.weights
4. 将结果文件（“results/bdd_results.json”）上传至 BDD 评估服务器 链接

在 BDD 测试集上，我们获得了 19.2 的 mAP（输入分辨率为 512 x 512）。

第三方实现

• Keras 实现：xuannianz/keras-GaussianYOLOv3
• PyTorch 实现：motokimura/PyTorch_Gaussian_YOLOv3

联系方式

如有关于我们的论文或代码的问题，请联系 Choi Jiwoong。

jwchoi384@gmail.com

Gaussian YOLOv3 快速上手指南

Gaussian YOLOv3 是一种利用定位不确定性（Localization Uncertainty）来提高自动驾驶场景下目标检测精度的算法，基于 YOLOv3 (Darknet) 改进而来。

环境准备

本代码已在以下环境中测试通过，建议参考配置：

• 操作系统: Ubuntu 16.04
• GPU: NVIDIA GTX 1080 Ti 或 Titan Xp
• CUDA: 8.0 或 9.0
• cuDNN: v7
• OpenCV: 3.3.0 或 3.4.0

前置依赖: 请确保已安装 CUDA、cuDNN 和 OpenCV。编译过程依赖 make 和 gcc。

安装步骤

1. 下载代码

克隆官方仓库：

git clone https://github.com/jwchoi384/Gaussian_YOLOv3
cd Gaussian_YOLOv3

2. 下载预训练权重

下载 Darknet53 骨干网络预训练权重（用于训练）：

wget http://pjreddie.com/media/files/darknet53.conv.74

(注：国内用户若下载缓慢，可尝试在相关开源社区寻找镜像或使用代理)

3. 编译代码

直接运行 make 命令进行编译：

make

如果遇到编译错误，请检查 Makefile 中的 CUDA 路径是否与本机环境一致。

4. 数据集准备（可选）

本项目主要使用 BDD (Berkeley Deep Drive) 数据集。 如需训练，请下载 BDD 数据集并修改配置文件中的路径。 示例列表文件 (train_bdd_list.txt 等) 已包含在 cfg 目录中，需将其中的文件路径修改为你本地的实际数据路径。

基本使用

场景一：推理测试 (Inference)

使用提供的示例权重对单张图片进行检测。

1. 下载示例权重: 从 Google Drive 下载 Gaussian_yolov3_BDD.weights 并放置于项目根目录。 (国内用户建议使用 IDM 或其他加速工具下载)

2. 修改配置文件: 打开 cfg/Gaussian_yolov3_BDD.cfg，确保设置如下参数以进行单图推理：

   batch=1
   subdivisions=1
   

3. 运行检测:

   ./darknet detector test cfg/BDD.data cfg/Gaussian_yolov3_BDD.cfg Gaussian_yolov3_BDD.weights data/example.jpg
   

   运行后将弹出窗口显示检测结果图片。

场景二：模型评估 (Evaluation)

评估模型在验证集上的性能（mAP）。

1. 确保配置: 同样需设置 cfg/Gaussian_yolov3_BDD.cfg 中 batch=1 和 subdivisions=1。

2. 生成检测结果:

   ./darknet detector valid cfg/BDD.data cfg/Gaussian_yolov3_BDD.cfg Gaussian_yolov3_BDD.weights
   

3. 计算 mAP: 进入评估脚本目录并运行 Python 脚本（需安装 python 及 numpy 等基础库）：

   cd bdd_evaluation/
   python evaluate.py det gt_bdd_val.json ../results/bdd_results.json
   

场景三：开始训练 (Training)

如需从头训练或微调模型：

1. 修改训练配置: 打开 cfg/Gaussian_yolov3_BDD.cfg，设置：

   batch=64
   subdivisions=16
   

   注意：如果显存不足，请增大 subdivisions 数值（如 32 或 64）。

2. 启动训练: 单卡训练：

   ./darknet detector train cfg/BDD.data cfg/Gaussian_yolov3_BDD.cfg darknet53.conv.74
   

   多卡训练（例如使用 0,1,2,3 号显卡）：

   ./darknet detector train cfg/BDD.data cfg/Gaussian_yolov3_BDD.cfg darknet53.conv.74 -gpus 0,1,2,3