这个YOLOv2项目是配合我在知乎专栏上连载的《YOLO入门教程》而创建的：

https://zhuanlan.zhihu.com/c_1364967262269693952

感兴趣的小伙伴可以配合着上面的专栏来一起学习，入门目标检测。

这里也诚挚推荐我的另一个YOLO项目，训练更加稳定，性能更好呦

https://github.com/yjh0410/PyTorch_YOLO-Family

• 我们建议使用anaconda来创建虚拟环境:

conda create -n yolo python=3.6

• 然后，激活虚拟环境:

conda activate yolo

• 配置环境: 运行下方的命令即可一键配置相关的深度学习环境：

pip install -r requirements.txt 

如果您已经学习了笔者之前的YOLOv1项目，那么就不需要再次创建该虚拟环境了，二者的环境是可以共用的。

• batch norm
• hi-res classifier
• convolutional
• anchor boxes
• better backbone: resnet50
• dimension priors
• location prediction
• passthrough
• multi-scale
• hi-red detector

读者可以从下面的百度网盘链接来下载VOC2007和VOC2012数据集

链接：https://pan.baidu.com/s/1qClcQXSXjP8FEnsP_RrZjg

提取码：zrcj

读者会获得 VOCdevkit.zip压缩包, 分别包含 VOCdevkit/VOC2007 和 VOCdevkit/VOC2012两个文件夹，分别是VOC2007数据集和VOC2012数据集.

• 自己下载

运行 sh data/scripts/COCO2017.sh，将会获得 COCO train2017, val2017, test2017三个数据集.

• 百度网盘下载：

这里，笔者也提供了由笔者下好的COCO数据集的百度网盘链接：

链接：https://pan.baidu.com/s/1XQqeHgNMp8U-ohbEWuT2CA

提取码：l1e5

VOC2007 test 测试集

COCO val 验证集

大家可以点击表格中的github来下载模型权重文件。

运行下方的命令可开始在VOC数据集上进行训练：

python train.py \
        --cuda \
        -d voc \
        -ms \
        -bs 16 \
        -accu 4 \
        --lr 0.001 \
        --max_epoch 200 \
        --lr_epoch 100 150 \

其中，-bs 16表示我们设置batch size为16，-accu 4表示我们累加梯度4次，以此来近似使用64 batch size的训练效果。 倘若使用者将-bs设置更小，如8，请务必将-accu也做相应的调整，如8，以确保-bs x -accu = 64，否则，可能会出现训练不稳定的问题。

运行下方的命令可开始在VOC数据集上进行训练：

python test.py \
        --cuda \
        -d voc \
        -size 416 \
        --weight path/to/weight \

运行下方的命令可开始在VOC数据集上进行训练：

python eval.py \
        --cuda \
        -d voc \
        -size 416 \
        --weight path/to/weight \