├── .gitignore
├── HRSC2016
└── train
│ ├── 100001675.jpg
│ └── 100001675.txt
├── README.md
├── cfg
├── HRSC+
│ ├── hyp.py
│ ├── yolov3_512.cfg
│ ├── yolov3_512_ma.cfg
│ ├── yolov3_512_matrix.cfg
│ └── yolov3_512_se.cfg
├── HRSC
│ ├── hyp.py
│ ├── yolov3-416.cfg
│ └── yolov3-m.cfg
├── ICDAR
│ ├── hyp.py
│ ├── yolov3_608.cfg
│ └── yolov3_608_se.cfg
├── hyp_template.py
├── yolov3-m.cfg
├── yolov3-tiny.cfg
└── yolov3.cfg
├── data
├── IC_eval
│ └── ic15
│ │ └── rrc_evaluation_funcs.pyc
├── coco.data
├── coco.names
├── hrsc.data
├── hrsc.name
├── icdar.name
├── icdar_13+15.data
├── icdar_15.data
└── icdar_15_all.data
├── demo.png
├── detect.py
├── experiment
├── HRSC+
│ ├── 1000_SE_nosample.txt
│ └── 1000_normal.txt
├── HRSC
│ ├── context
│ │ ├── context-0.8.txt
│ │ ├── context-1.25.txt
│ │ └── context-1.6.txt
│ ├── hyp.py
│ ├── hyper
│ │ ├── iou_0.05_ang_12.txt
│ │ ├── iou_0.1-ang_12.txt
│ │ ├── iou_0.1-ang_24.txt
│ │ └── iou_0.3-ang_12.txt
│ └── mul-scale
│ │ ├── hyp.txt
│ │ └── results.txt
├── IC15
│ ├── 0.1_12.txt
│ ├── 0.3_12.txt
│ ├── 0.5_12.txt
│ ├── 0.5_6.txt
│ ├── 0.7_12.txt
│ └── ablation.png
├── ga-attention(_4).png
└── tiny_test_gax4_o8_dh.png
├── make.sh
├── model
├── __init__.py
├── layer
│ ├── DCNv2
│ │ ├── .gitignore
│ │ ├── __init__.py
│ │ ├── dcn_test.py
│ │ ├── dcn_v2.py
│ │ ├── make.sh
│ │ ├── setup.py
│ │ └── src
│ │ │ ├── cpu
│ │ │ ├── dcn_v2_cpu.cpp
│ │ │ └── vision.h
│ │ │ ├── cuda
│ │ │ ├── dcn_v2_cuda.cu
│ │ │ ├── dcn_v2_im2col_cuda.cu
│ │ │ ├── dcn_v2_im2col_cuda.h
│ │ │ ├── dcn_v2_psroi_pooling_cuda.cu
│ │ │ └── vision.h
│ │ │ ├── dcn_v2.h
│ │ │ └── vision.cpp
│ └── __init__.py
├── loss.py
├── model_utils.py
├── models.py
└── sampler_ratio.png
├── study.txt
├── test.py
├── train.py
└── utils
├── ICDAR
├── ICDAR2yolo.py
└── icdar_utils.py
├── adabound.py
├── augment.py
├── datasets.py
├── gcp.sh
├── google_utils.py
├── init.py
├── kmeans
├── 416
│ ├── 3
│ │ ├── anchor_clusters.png
│ │ ├── area_cluster.png
│ │ ├── kmeans.png
│ │ └── ratio_cluster.png
│ └── 6
│ │ ├── 2019-10-31 09-02-05屏幕截图.png
│ │ ├── anchor_clusters.png
│ │ ├── area_cluster.png
│ │ └── ratio_cluster.png
├── hrsc_512.txt
├── icdar_608_all.txt
├── icdar_608_care.txt
└── kmeans.py
├── nms
├── __init__.py
├── make.sh
├── nms.py
├── nms_wrapper_test.py
├── setup.py
└── src
│ ├── rotate_polygon_nms.cpp
│ └── rotate_polygon_nms_kernel.cu
├── parse_config.py
├── torch_utils.py
└── utils.py
/.gitignore:
--------------------------------------------------------------------------------
1 | *.pt
2 | *.pth
3 |
4 |
5 |
--------------------------------------------------------------------------------
/HRSC2016/train/100001675.jpg:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/ming71/rotate-yolov3/2341159a5ca29487107065966fa67c2946c0309e/HRSC2016/train/100001675.jpg
--------------------------------------------------------------------------------
/HRSC2016/train/100001675.txt:
--------------------------------------------------------------------------------
1 | 0 0.748569 0.577177 0.488319 0.121866 1.415746
2 | 0 0.844500 0.501634 0.343307 0.049861 1.398959
3 | 0 0.221619 0.527416 0.332149 0.103440 -1.19584
4 |
--------------------------------------------------------------------------------
/README.md:
--------------------------------------------------------------------------------
1 | ## Rotated-Yolov3
2 |
3 | Rotaion object detection implemented with yolov3.
4 |
5 | ---
6 |
7 | Hello, the no-program [ryolov3](https://github.com/ming71/yolov3-polygon) is available now. Although not so many tricks are attached like this repo, it still achieves good results, and is friendly for beginners to learn, have a good luck.
8 |
9 | ## Update
10 |
11 | The latest code has been uploaded, unfortunately, due to my negligence, I incorrectly modified some parts of the code and did not save the historical version last year, which made it hard to reproduce the previous high performance. It is tentatively that there are some problems in the loss calculation part.
12 |
13 | But I found from the experimental results left last year that yolov3 is suitable for rotation detection. After using several tricks (attention, ORN, Mish, and etc.), it have achieved good performance. More previous experiment results can be found [here](https://github.com/ming71/rotate-yolo/blob/master/experiment).
14 |
15 | ## Support
16 | * SEBlock
17 | * CUDA RNMS
18 | * riou loss
19 | * Inception module
20 | * DCNv2
21 | * ORN
22 | * SeparableConv
23 | * Mish/Swish
24 | * GlobalAttention
25 |
26 | ## Detection Results
27 |
28 | The detection results from rotated yolov3 left over last year:
29 |
30 | 