update

model_data/voc_classes.txt

@@ -1,20 +1,27 @@
-aeroplane
-bicycle
-bird
-boat
-bottle
-bus
-car
-cat
-chair
-cow
-diningtable
-dog
-horse
-motorbike
-person
-pottedplant
-sheep
-sofa
-train
-tvmonitor
+Cherry leaf
+Peach leaf
+Corn leaf blight
+Apple rust leaf
+Potato leaf late blight
+Strawberry leaf
+Corn rust leaf
+Tomato leaf late blight
+Tomato mold leaf
+Potato leaf early blight
+Apple leaf
+Tomato leaf yellow virus
+Blueberry leaf
+Tomato leaf mosaic virus
+Raspberry leaf
+Tomato leaf bacterial spot
+Squash Powdery mildew leaf
+grape leaf
+Corn Gray leaf spot
+Tomato Early blight leaf
+Apple Scab Leaf
+Tomato Septoria leaf spot
+Tomato leaf
+Soyabean leaf
+Bell_pepper leaf spot
+Bell_pepper leaf
+grape leaf black rot

train.py

@@ -94,7 +94,7 @@
     #      可以设置mosaic=True，直接随机初始化参数开始训练，但得到的效果仍然不如有预训练的情况。（像COCO这样的大数据集可以这样做）
     #   2、了解imagenet数据集，首先训练分类模型，获得网络的主干部分权值，分类模型的 主干部分 和该模型通用，基于此进行训练。
     #----------------------------------------------------------------------------------------------------------------------------#
-    model_path      = 'model_data/yolov5_s.pth'
+    model_path      = 'model_data/swin_tiny_patch4_window7.pth'
     #------------------------------------------------------#
     #   input_shape     输入的shape大小，一定要是32的倍数
     #------------------------------------------------------#
@@ -105,7 +105,7 @@
     #                   convnext_small
     #                   swin_transfomer_tiny
     #------------------------------------------------------#
-    backbone        = 'cspdarknet'
+    backbone        = 'swin_transfomer_tiny'
     #----------------------------------------------------------------------------------------------------------------------------#
     #   pretrained      是否使用主干网络的预训练权重，此处使用的是主干的权重，因此是在模型构建的时候进行加载的。
     #                   如果设置了model_path，则主干的权值无需加载，pretrained的值无意义。
@@ -117,7 +117,7 @@
     #   phi             所使用的YoloV5的版本。s、m、l、x
     #                   在除cspdarknet的其它主干中仅影响panet的大小
     #------------------------------------------------------#
-    phi             = 's'
+    phi             = 'l'
     #------------------------------------------------------------------#
     #   mosaic          马赛克数据增强
     #                   参考YoloX，由于Mosaic生成的训练图片，
@@ -127,7 +127,7 @@
     #   label_smoothing 标签平滑。一般0.01以下。如0.01、0.005
     #------------------------------------------------------------------#
     mosaic              = True
-    label_smoothing     = 0
+    label_smoothing     = 0.005
 
     #----------------------------------------------------------------------------------------------------------------------------#
     #   训练分为两个阶段，分别是冻结阶段和解冻阶段。设置冻结阶段是为了满足机器性能不足的同学的训练需求。
@@ -164,7 +164,7 @@
     #                       (当Freeze_Train=False时失效)
     #------------------------------------------------------------------#
     Init_Epoch          = 0
-    Freeze_Epoch        = 50
+    Freeze_Epoch        = 200
     Freeze_batch_size   = 16
     #------------------------------------------------------------------#
     #   解冻阶段训练参数
@@ -175,7 +175,7 @@
     #                           Adam可以使用相对较小的UnFreeze_Epoch
     #   Unfreeze_batch_size     模型在解冻后的batch_size
     #------------------------------------------------------------------#
-    UnFreeze_Epoch      = 300
+    UnFreeze_Epoch      = 1000
     Unfreeze_batch_size = 8
     #------------------------------------------------------------------#
     #   Freeze_Train    是否进行冻结训练
@@ -202,7 +202,7 @@
     #------------------------------------------------------------------#
     optimizer_type      = "sgd"
     momentum            = 0.937
-    weight_decay        = 5e-4
+    weight_decay        = 5e-3
     #------------------------------------------------------------------#
     #   lr_decay_type   使用到的学习率下降方式，可选的有step、cos
     #------------------------------------------------------------------#
@@ -225,7 +225,7 @@
     #   （二）此处设置评估参数较为保守，目的是加快评估速度。
     #------------------------------------------------------------------#
     eval_flag           = True
-    eval_period         = 10
+    eval_period         = 20
     #------------------------------------------------------------------#
     #   num_workers     用于设置是否使用多线程读取数据
     #                   开启后会加快数据读取速度，但是会占用更多内存

voc_annotation.py

@@ -12,7 +12,7 @@
 #   annotation_mode为1代表获得VOCdevkit/VOC2007/ImageSets里面的txt
 #   annotation_mode为2代表获得训练用的2007_train.txt、2007_val.txt
 #--------------------------------------------------------------------------------------------------------------------------------#
-annotation_mode     = 0
+annotation_mode     = 2
 #-------------------------------------------------------------------#
 #   必须要修改，用于生成2007_train.txt、2007_val.txt的目标信息
 #   与训练和预测所用的classes_path一致即可
@@ -26,8 +26,8 @@
 #   train_percent用于指定(训练集+验证集)中训练集与验证集的比例，默认情况下 训练集:验证集 = 9:1
 #   仅在annotation_mode为0和1的时候有效
 #--------------------------------------------------------------------------------------------------------------------------------#
-trainval_percent    = 0.9
-train_percent       = 0.9
+trainval_percent    = 0.8
+train_percent       = 0.75
 #-------------------------------------------------------#
 #   指向VOC数据集所在的文件夹
 #   默认指向根目录下的VOC数据集