upload yolov3spp graph

pytorch_object_detection/yolov3_spp/README.md

@@ -1,14 +1,14 @@
 # YOLOv3 SPP
 ## 该项目源自[ultralytics/yolov3](https://github.com/ultralytics/yolov3)
-## 环境配置：
+## 1 环境配置：
 * Python3.6或者3.7
 * Pytorch1.6(注意：必须是1.6.0或以上，因为使用官方提供的混合精度训练1.6.0后才支持)
 * pycocotools(Linux: ```pip install pycocotools```;   
   Windows: ```pip install pycocotools-windows```(不需要额外安装vs))
 * 更多环境配置信息，请查看```requirements.txt```文件
 * 最好使用GPU训练
 
-## 文件结构：
+## 2 文件结构：
 ```
   ├── cfg: 配置文件目录
   │    ├── hyp.yaml: 训练网络的相关超参数
@@ -38,7 +38,7 @@
   └── predict_test.py: 简易的预测脚本，使用训练好的权重进行预测测试
 ```
 
-## 训练数据的准备以及目录结构
+## 3 训练数据的准备以及目录结构
 * 这里建议标注数据时直接生成yolo格式的标签文件```.txt```，推荐使用免费开源的标注软件(支持yolo格式)，[https://github.com/tzutalin/labelImg](https://github.com/tzutalin/labelImg)
 * 如果之前已经标注成pascal voc的```.xml```格式了也没关系，我写了个voc转yolo格式的转化脚本，下面会讲怎么使用
 * 将自己数据集中的图像大小缩放到与coco数据集一致(图像预处理算法决定的)
@@ -54,7 +54,7 @@
 │               └── labels  验证集标签目录            
 ```
 
-## 利用标注好的数据集生成一系列相关准备文件，为了方便我写了个脚本，通过脚本可直接生成。也可参考原作者的[教程](https://github.com/ultralytics/yolov3/wiki/Train-Custom-Data)
+## 4 利用标注好的数据集生成一系列相关准备文件，为了方便我写了个脚本，通过脚本可直接生成。也可参考原作者的[教程](https://github.com/ultralytics/yolov3/wiki/Train-Custom-Data)
 ```
 ├── data 利用数据集生成的一系列相关准备文件目录
 │    ├── my_train_data.txt:  该文件里存储的是所有训练图片的路径地址
@@ -63,7 +63,7 @@
 │    └── my_data.data:  该文件里记录的是类别数类别信息、train以及valid对应的txt文件
 ```
 
-### 将VOC标注数据转为YOLO标注数据(如果你的数据已经是YOLO格式了，可跳过该步骤)
+### 4.1 将VOC标注数据转为YOLO标注数据(如果你的数据已经是YOLO格式了，可跳过该步骤)
 * 使用```trans_voc2yolo.py```脚本进行转换，并在```./data/```文件夹下生成```my_data_label.names```标签文件，
 * 执行脚本前，需要根据自己的路径修改以下参数
 ```python
@@ -92,7 +92,7 @@ bus
 ...
 ```
 
-### 根据摆放好的数据集信息生成一系列相关准备文件
+### 4.2 根据摆放好的数据集信息生成一系列相关准备文件
 * 使用```calculate_dataset.py```脚本生成```my_train_data.txt```文件、```my_val_data.txt```文件以及```my_data.data```文件，并生成新的```my_yolov3.cfg```文件
 * 执行脚本前，需要根据自己的路径修改以下参数
 ```python
@@ -106,18 +106,18 @@ classes_label = "./data/my_data_label.names"
 cfg_path = "./cfg/yolov3-spp.cfg"
 ```
 
-## 预训练权重下载地址（下载后放入weights文件夹中）：
-* yolov3-spp-ultralytics-416.pt: 链接: https://pan.baidu.com/s/1cK3USHKxDx-d5dONij52lA  密码: r3vm
-* yolov3-spp-ultralytics-512.pt: 链接: https://pan.baidu.com/s/1k5yeTZZNv8Xqf0uBXnUK-g  密码: e3k1
-* yolov3-spp-ultralytics-608.pt: 链接: https://pan.baidu.com/s/1GI8BA0wxeWMC0cjrC01G7Q  密码: ma3t
-* yolov3spp-voc-512.pth **(这是我在视频演示训练中得到的权重)**: 链接: https://pan.baidu.com/s/1fzXPFYvPy95Q9f5IR5Voqg  密码: ct2n
+## 5 预训练权重下载地址（下载后放入weights文件夹中）：
+* ```yolov3-spp-ultralytics-416.pt```: 链接: https://pan.baidu.com/s/1cK3USHKxDx-d5dONij52lA  密码: r3vm
+* ```yolov3-spp-ultralytics-512.pt```: 链接: https://pan.baidu.com/s/1k5yeTZZNv8Xqf0uBXnUK-g  密码: e3k1
+* ```yolov3-spp-ultralytics-608.pt```: 链接: https://pan.baidu.com/s/1GI8BA0wxeWMC0cjrC01G7Q  密码: ma3t
+* ```yolov3spp-voc-512.pth``` **(这是我在视频演示训练中得到的权重)**: 链接: https://pan.baidu.com/s/1fzXPFYvPy95Q9f5IR5Voqg  密码: ct2n
 
 
-## 数据集，本例程使用的是PASCAL VOC2012数据集
-* Pascal VOC2012 train/val数据集下载地址：http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar
+## 6 数据集，本例程使用的是PASCAL VOC2012数据集
+* ```Pascal VOC2012``` train/val数据集下载地址：http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar
 * 如果不了解数据集或者想使用自己的数据集进行训练，请参考我的bilibili：https://b23.tv/F1kSCK
 
-## 使用方法
+## 7 使用方法
 * 确保提前准备好数据集
 * 确保提前下载好对应预训练模型权重
 * 若要使用单GPU训练或者使用CPU训练，直接使用train.py训练脚本
@@ -127,3 +127,6 @@ cfg_path = "./cfg/yolov3-spp.cfg"
 [https://www.bilibili.com/video/BV1yi4y1g7ro?p=3](https://www.bilibili.com/video/BV1yi4y1g7ro?p=3)
 
 ## 进一步了解该项目，以及对YOLOv3 SPP代码的分析可参考我的bilibili
+
+## YOLOv3 SPP框架图
+![yolov3spp](https://github.com/WZMIAOMIAO/deep-learning-for-image-processing/raw/master/pytorch_object_detection/yolov3_spp/yolov3spp.png)