Add large file using

.devcontainer/devcontainer.json

@@ -0,0 +1,33 @@
+{
+  "name": "Python 3",
+  // Or use a Dockerfile or Docker Compose file. More info: https://containers.dev/guide/dockerfile
+  "image": "mcr.microsoft.com/devcontainers/python:1-3.11-bullseye",
+  "customizations": {
+    "codespaces": {
+      "openFiles": [
+        "README.md",
+        "detection_yolov4.py"
+      ]
+    },
+    "vscode": {
+      "settings": {},
+      "extensions": [
+        "ms-python.python",
+        "ms-python.vscode-pylance"
+      ]
+    }
+  },
+  "updateContentCommand": "[ -f packages.txt ] && sudo apt update && sudo apt upgrade -y && sudo xargs apt install -y <packages.txt; [ -f requirements.txt ] && pip3 install --user -r requirements.txt; pip3 install --user streamlit; echo '✅ Packages installed and Requirements met'",
+  "postAttachCommand": {
+    "server": "streamlit run detection_yolov4.py --server.enableCORS false --server.enableXsrfProtection false"
+  },
+  "portsAttributes": {
+    "8501": {
+      "label": "Application",
+      "onAutoForward": "openPreview"
+    }
+  },
+  "forwardPorts": [
+    8501
+  ]
+}

README.md

@@ -1,12 +1,5 @@
----
-title: Detection Yolov4
-emoji: 🏆
-colorFrom: red
-colorTo: pink
-sdk: streamlit
-sdk_version: 1.30.0
-app_file: app.py
-pinned: false
----
-
-Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference
+# Проект на базе Streamlit для определения объектов на фотографии и видео
+О проекте: наглядная демонтрация работы модели глубокого обучения компьютерного зрения yolov4 
+Название проекта| Цель | Вывод |Ключевые слова проекта | Используемые библиотеки
+------------- |------------------|---------------- | ---------------- | -----------------------
+[Определение объектов на фото\видео](https://github.com/Sazuppy/streamlit_yolov4_helmet/)|Задача - на основе набора фотографий людей обучить модель yolov4 на опеределение наличия каски\головного убора на работнике|С помощью сети yolov4, предобученной на датасете coco, было получено значение удовлетворительная работа модели|обработка изображений, нейронные сети|`OpenCV, Python, moviepy`|

coco.names

@@ -0,0 +1,80 @@
+person
+bicycle
+car
+motorbike
+aeroplane
+bus
+train
+truck
+boat
+traffic light
+fire hydrant
+stop sign
+parking meter
+bench
+bird
+cat
+dog
+horse
+sheep
+cow
+elephant
+bear
+zebra
+giraffe
+backpack
+umbrella
+handbag
+tie
+suitcase
+frisbee
+skis
+snowboard
+sports ball
+kite
+baseball bat
+baseball glove
+skateboard
+surfboard
+tennis racket
+bottle
+wine glass
+cup
+fork
+knife
+spoon
+bowl
+banana
+apple
+sandwich
+orange
+broccoli
+carrot
+hot dog
+pizza
+donut
+cake
+chair
+sofa
+pottedplant
+bed
+diningtable
+toilet
+tvmonitor
+laptop
+mouse
+remote
+keyboard
+cell phone
+microwave
+oven
+toaster
+sink
+refrigerator
+book
+clock
+vase
+scissors
+teddy bear
+hair drier
+toothbrush

detection_yolov4.py

@@ -0,0 +1,245 @@
+import cv2 as cv
+import streamlit as st
+import tempfile
+import time
+from moviepy.editor import VideoClip
+from moviepy.editor import AudioFileClip
+import datetime
+
+@st.cache_resource
+def yolov4(names, weights, config, Conf_threshold, NMS_threshold):
+    Conf_threshold = Conf_threshold
+    NMS_threshold = NMS_threshold
+    COLORS = [(0, 255, 0), (0, 0, 255), (255, 0, 0),
+            (255, 255, 0), (255, 0, 255), (0, 255, 255)]
+
+    class_name = []
+    with open(names, 'r') as f:
+        class_name = [cname.strip() for cname in f.readlines()]
+    # Инициализация нейросети YOLOv4 
+    net = cv.dnn.readNet(weights, config)
+    net.setPreferableBackend(cv.dnn.DNN_BACKEND_CUDA)
+    net.setPreferableTarget(cv.dnn.DNN_TARGET_CUDA_FP16)
+
+    model = cv.dnn_DetectionModel(net)
+    model.setInputParams(size=(416, 416), scale=1/255, swapRB=True)
+    return model, COLORS, class_name
+
+
+def temp_file(data):    
+    # Сохранение видеофайла во временный файл
+    temp_file = tempfile.NamedTemporaryFile(delete=False)
+    temp_file.write(data.read())
+    temp_file_path = temp_file.name
+    
+    # Захват видео
+    cap = cv.VideoCapture(temp_file_path)
+    temp_file.close()
+    return cap, temp_file_path
+
+def image_process(model, cap, Conf_threshold, NMS_threshold, COLORS, class_name):
+    
+    ret, frame = cap.read()
+    # Обнаружение объектов с использованием YOLOv4
+    classes, scores, boxes = model.detect(frame, Conf_threshold, NMS_threshold)
+    for (classid, score, box) in zip(classes, scores, boxes):
+        color = COLORS[int(classid) % len(COLORS)]
+        label = "%s : %f" % (class_name[classid], score)
+        cv.rectangle(frame, box, color, 1)
+        cv.putText(frame, label, (box[0], box[1]-10),
+                cv.FONT_HERSHEY_COMPLEX, 0.3, color, 1)
+    frame = cv.resize(frame,(0,0), fx=0.8, fy=0.8)
+    return frame       
+    
+def video_process(model, cap, Conf_threshold, NMS_threshold, COLORS, class_name):
+    starting_time = time.time()
+    frame_counter = 0
+    total_frames = int(cap.get(cv.CAP_PROP_FRAME_COUNT))
+    remaining_time = datetime.timedelta(seconds=0)
+    remaining_time_container = st.empty()
+    video_frames = []
+    while True:
+        ret, frame = cap.read()
+        frame_counter += 1
+        if ret == False:
+            break
+        # Обнаружение объектов с использованием YOLOv4
+        classes, scores, boxes = model.detect(frame, Conf_threshold, NMS_threshold)
+        for (classid, score, box) in zip(classes, scores, boxes):
+            color = COLORS[int(classid) % len(COLORS)]
+            label = "%s : %f" % (class_name[classid], score)
+            cv.rectangle(frame, box, color, 1)
+            cv.putText(frame, label, (box[0], box[1]-10),
+                    cv.FONT_HERSHEY_COMPLEX, 0.3, color, 1)
+        if app_mode == 'Видео':
+            endingTime = time.time() - starting_time
+            fps = frame_counter/endingTime
+            remaining_frames = total_frames - frame_counter
+            remaining_time = datetime.timedelta(seconds=int(remaining_frames / fps))
+            
+        # Преобразование кадра в формат RGB для отображения в Streamlit
+        frame = cv.cvtColor(frame, cv.COLOR_BGR2RGB)
+        video_frames.append(frame.copy())
+        remaining_time_container.markdown('Оставшееся время выполнения: ' + str(remaining_time))           
+        
+        if stop:
+            break
+    return video_frames
+
+def concotinate_video(video_frames, data):
+    cap = cv.VideoCapture(data)
+    # Считывание видео для получения FPS
+    fps_original = cap.get(cv.CAP_PROP_FPS)
+    total_frames_original = int(cap.get(cv.CAP_PROP_FRAME_COUNT))
+    # Создание функции для извлечения кадров из списка video_frames
+    def get_frame(t):
+        index = int(t * fps_original)
+
+        if index < total_frames_original:
+            return video_frames[index]
+        else:
+            return video_frames[-1]
+    # Считывание аудио для получения длительности
+    audio_clip = AudioFileClip(data)
+    st.markdown('Сборка видео')
+    video_clip = VideoClip(get_frame, duration=total_frames_original / fps_original)
+    video_clip = video_clip.set_audio(audio_clip)
+    output_file_path = 'processed_video.mp4'
+    video_clip.write_videofile(output_file_path, codec="libx264", audio_codec="aac", fps=fps_original)
+        
+    return output_file_path
+
+st.set_page_config(layout="wide", page_title="Детекция с YOLO v4")
+st.title("Детекция с YOLO v4")
+
+st.sidebar.title('Информация и выбор режима')
+
+app_mode = st.sidebar.selectbox(
+    'Параметры',
+    ['О сервисе', 'Изображение', 'Видео']
+)
+
+# About Page
+if app_mode == 'О сервисе':
+    st.markdown('''Проект создан с использованием фреймворка Streamlit и библиотеки OpenCV, при этом в его основе лежит сверточная нейросеть YOLOv4. 
+    Проект предоставляет демонстрацию возможностей данной нейросети.    
+#### YOLOv4 с обученными весами:
+- Проект включает в себя готовую модель YOLOv4 с предварительно обученными весами. Эта модель способна обнаруживать объекты из 80 различных классов, что обеспечивает широкий спектр применения для определения различных объектов на изображениях.
+
+#### Переобученная модель YOLOv4-tiny:
+- Кроме того, представлена переобученная модель YOLOv4-tiny, которая была адаптирована для специфической задачи - определения наличия надетой каски на человеке. В ходе этого процесса были взяты веса базовой модели YOLOv4-tiny, проведена разметка данных и выполнено обучение на домашнем компьютере с использованием технологии CUDA от NVIDIA. Обучение велось по двум классам: "helmet" (каска) и "head" (голова).
+
+Этот проект не только демонстрирует работу нейросети, но и подчеркивает его возможности в адаптации к конкретным задачам и обучению на собственных данных.
+    ''')
+    with st.expander("Пример видео на выходе после обработки"):
+        st.video('processed_test1.mp4')
+        st.video('processed_test2.mp4')
+
+# Image Page
+elif app_mode == 'Изображение':
+    genre = st.sidebar.radio(
+    "Выбор модели",
+    ["yolov4", "helmet"],
+    index=0,
+    )
+    if genre == 'yolov4':
+        names = 'coco.names'
+        weights = 'yolov4-tiny.weights'
+        config = 'yolov4-tiny-custom.cfg'
+    elif genre == 'helmet':
+        names = 'helmet.names'
+        weights = 'helmet_final.weights'
+        config = 'helmet.cfg'
+            
+    st.sidebar.markdown('---')
+
+    st.markdown("#### Определение объектов на изображении")
+
+    st.sidebar.markdown('---')
+    detection_confidence = st.sidebar.slider('Порог уверенности', min_value=0.0, max_value=1.0, value=0.5)
+    with st.sidebar.expander("Назначение:"):
+        st.markdown('''Определяет, насколько уверенной должна быть модель в том, что объект обнаружен, прежде чем результат будет рассматриваться как положительный. 
+                 Если уверенность модели ниже этого порога, объект не будет считаться детектированным.
+                 Обычно устанавливается в диапазоне 0.1-0.9 в зависимости от ваших требований к уверенности. 
+                 Более низкие значения приведут к более широкому набору детекций, но с большим числом ложных срабатываний.''')
+    tracking_confidence = st.sidebar.slider('Порог подавления', min_value=0.0, max_value=1.0, value=0.5)
+    with st.sidebar.expander("Назначение:"):
+        st.markdown('''Используется для подавления (фильтрации) дублирующих детекций. 
+                 Когда модель обнаруживает несколько прямоугольных областей, перекрывающихся с высокой уверенностью, порог подавления помогает выбрать только одну из них. 
+                 Это предотвращает появление множественных детекций для одного и того же объекта.
+                 Обычно устанавливается в диапазоне 0.1-0.5. 
+                 Более высокие значения делают алгоритм более консервативным, выбирая более уверенные детекции, но при этом может пропустить менее уверенные детекции.''')
+    st.sidebar.markdown('---')
+    
+    img_file_buffer = st.sidebar.file_uploader("Загрузите изображение", type=["jpg", "jpeg", "png"])
+    
+    
+    st.sidebar.text('Исходное изображение')
+    if img_file_buffer:
+        st.sidebar.image(img_file_buffer)
+    if img_file_buffer:
+        start = st.button("Запуск обработки", type="primary")
+        stframe = st.empty()
+        if start:
+            model, COLORS, class_name = yolov4(names, weights, config, detection_confidence, tracking_confidence)
+            cap, temp_file_path = temp_file(img_file_buffer)
+            frame = image_process(model, cap, detection_confidence, tracking_confidence, COLORS, class_name)
+            stframe.image(frame,channels='BGR', use_column_width="auto")
+# Video Page
+elif app_mode == 'Видео':
+    st.set_option('deprecation.showfileUploaderEncoding', False)
+    
+    genre = st.sidebar.radio(
+    "Выбор модели",
+    ["yolov4", "helmet"],
+    index=0,
+    )
+    
+    if genre == 'yolov4':
+        names = 'coco.names'
+        weights = 'yolov4-tiny.weights'
+        config = 'yolov4-tiny-custom.cfg'
+    elif genre == 'helmet':
+        names = 'helmet.names'
+        weights = 'helmet_final.weights'
+        config = 'helmet.cfg'
+    
+    st.sidebar.markdown('---')
+    detection_confidence = st.sidebar.slider('Порог уверенности', min_value=0.0, max_value=1.0, value=0.5)
+    with st.sidebar.expander("Назначение:"):
+        st.markdown('''Определяет, насколько уверенной должна быть модель в том, что объект обнаружен, прежде чем результат будет рассматриваться как положительный. 
+                 Если уверенность модели ниже этого порога, объект не будет считаться детектированным.
+                 Обычно устанавливается в диапазоне 0.1-0.9 в зависимости от ваших требований к уверенности. 
+                 Более низкие значения приведут к более широкому набору детекций, но с большим числом ложных срабатываний.''')
+    tracking_confidence = st.sidebar.slider('Порог подавления', min_value=0.0, max_value=1.0, value=0.5)
+    with st.sidebar.expander("Назначение:"):
+        st.markdown('''Используется для подавления (фильтрации) дублирующих детекций. 
+                 Когда модель обнаруживает несколько прямоугольных областей, перекрывающихся с высокой уверенностью, порог подавления помогает выбрать только одну из них. 
+                 Это предотвращает появление множественных детекций для одного и того же объекта.
+                 Обычно устанавливается в диапазоне 0.1-0.5. 
+                 Более высокие значения делают алгоритм более консервативным, выбирая более уверенные детекции, но при этом может пропустить менее уверенные детекции.''')
+    st.sidebar.markdown('---')
+
+    ## Get Video
+    
+    video_file_buffer = st.sidebar.file_uploader("Загрузите видео", type=['mp4', 'mov', 'avi', 'asf', 'm4v'])
+    
+    st.sidebar.text('Исходное видео')
+    if video_file_buffer:
+        st.sidebar.video(video_file_buffer)
+        
+    st.markdown("#### Определение объектов на видео")
+    
+    if video_file_buffer:
+        start = st.button("Запуск обработки", type="primary")
+        stop = st.button("Остановка обработки")
+        stframe = st.empty()
+        if start:
+            model, COLORS, class_name = yolov4(names, weights, config, detection_confidence, tracking_confidence)
+            cap, temp_file_path = temp_file(video_file_buffer)
+            video_frames = video_process(model, cap, detection_confidence, tracking_confidence, COLORS, class_name)
+            output_file_path = concotinate_video(video_frames, temp_file_path)
+            st.markdown('### Обработанное видео')
+            st.video(output_file_path)
+            
+    

helmet.cfg

@@ -0,0 +1,281 @@
+[net]
+# Testing
+#batch=1
+#subdivisions=1
+# Training
+batch=64
+subdivisions=16
+width=416
+height=416
+channels=3
+momentum=0.9
+decay=0.0005
+angle=0
+saturation = 1.5
+exposure = 1.5
+hue=.1
+
+learning_rate=0.00261
+burn_in=1000
+max_batches = 6000
+policy=steps
+steps=4800,5400
+scales=.1,.1
+
+[convolutional]
+batch_normalize=1
+filters=32
+size=3
+stride=2
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=64
+size=3
+stride=2
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=64
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[route]
+layers=-1
+groups=2
+group_id=1
+
+[convolutional]
+batch_normalize=1
+filters=32
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=32
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[route]
+layers = -1,-2
+
+[convolutional]
+batch_normalize=1
+filters=64
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[route]
+layers = -6,-1
+
+[maxpool]
+size=2
+stride=2
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[route]
+layers=-1
+groups=2
+group_id=1
+
+[convolutional]
+batch_normalize=1
+filters=64
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=64
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[route]
+layers = -1,-2
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[route]
+layers = -6,-1
+
+[maxpool]
+size=2
+stride=2
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[route]
+layers=-1
+groups=2
+group_id=1
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[route]
+layers = -1,-2
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[route]
+layers = -6,-1
+
+[maxpool]
+size=2
+stride=2
+
+[convolutional]
+batch_normalize=1
+filters=512
+size=3
+stride=1
+pad=1
+activation=leaky
+
+##################################
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=512
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+size=1
+stride=1
+pad=1
+filters=24
+activation=linear
+
+
+
+[yolo]
+mask = 3,4,5
+anchors = 15, 17,  26, 28,  37, 46,  62, 60,  84, 96, 133,151
+classes=3
+num=6
+jitter=.3
+scale_x_y = 1.05
+cls_normalizer=1.0
+iou_normalizer=0.07
+iou_loss=ciou
+ignore_thresh = .7
+truth_thresh = 1
+random=0
+resize=1.5
+nms_kind=greedynms
+beta_nms=0.6
+
+[route]
+layers = -4
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[upsample]
+stride=2
+
+[route]
+layers = -1, 23
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+size=1
+stride=1
+pad=1
+filters=24
+activation=linear
+
+[yolo]
+mask = 0,1,2
+anchors = 15, 17,  26, 28,  37, 46,  62, 60,  84, 96, 133,151
+classes=3
+num=6
+jitter=.3
+scale_x_y = 1.05
+cls_normalizer=1.0
+iou_normalizer=0.07
+iou_loss=ciou
+ignore_thresh = .7
+truth_thresh = 1
+random=0
+resize=1.5
+nms_kind=greedynms
+beta_nms=0.6

helmet.names

@@ -0,0 +1,3 @@
+helmet
+person
+head

requirements.txt

@@ -0,0 +1,3 @@
+streamlit==1.28.0
+opencv-python-headless==4.8.1.78
+moviepy

yolov4-tiny-custom.cfg

@@ -0,0 +1,281 @@
+[net]
+# Testing
+#batch=1
+#subdivisions=1
+# Training
+batch=64
+subdivisions=1
+width=416
+height=416
+channels=3
+momentum=0.9
+decay=0.0005
+angle=0
+saturation = 1.5
+exposure = 1.5
+hue=.1
+
+learning_rate=0.00261
+burn_in=1000
+max_batches = 500200
+policy=steps
+steps=400000,450000
+scales=.1,.1
+
+[convolutional]
+batch_normalize=1
+filters=32
+size=3
+stride=2
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=64
+size=3
+stride=2
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=64
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[route]
+layers=-1
+groups=2
+group_id=1
+
+[convolutional]
+batch_normalize=1
+filters=32
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=32
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[route]
+layers = -1,-2
+
+[convolutional]
+batch_normalize=1
+filters=64
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[route]
+layers = -6,-1
+
+[maxpool]
+size=2
+stride=2
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[route]
+layers=-1
+groups=2
+group_id=1
+
+[convolutional]
+batch_normalize=1
+filters=64
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=64
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[route]
+layers = -1,-2
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[route]
+layers = -6,-1
+
+[maxpool]
+size=2
+stride=2
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[route]
+layers=-1
+groups=2
+group_id=1
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[route]
+layers = -1,-2
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[route]
+layers = -6,-1
+
+[maxpool]
+size=2
+stride=2
+
+[convolutional]
+batch_normalize=1
+filters=512
+size=3
+stride=1
+pad=1
+activation=leaky
+
+##################################
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+batch_normalize=1
+filters=512
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+size=1
+stride=1
+pad=1
+filters=255
+activation=linear
+
+
+
+[yolo]
+mask = 3,4,5
+anchors = 10,14,  23,27,  37,58,  81,82,  135,169,  344,319
+classes=80
+num=6
+jitter=.3
+scale_x_y = 1.05
+cls_normalizer=1.0
+iou_normalizer=0.07
+iou_loss=ciou
+ignore_thresh = .7
+truth_thresh = 1
+random=0
+resize=1.5
+nms_kind=greedynms
+beta_nms=0.6
+
+[route]
+layers = -4
+
+[convolutional]
+batch_normalize=1
+filters=128
+size=1
+stride=1
+pad=1
+activation=leaky
+
+[upsample]
+stride=2
+
+[route]
+layers = -1, 23
+
+[convolutional]
+batch_normalize=1
+filters=256
+size=3
+stride=1
+pad=1
+activation=leaky
+
+[convolutional]
+size=1
+stride=1
+pad=1
+filters=255
+activation=linear
+
+[yolo]
+mask = 0,1,2
+anchors = 10,14,  23,27,  37,58,  81,82,  135,169,  344,319
+classes=80
+num=6
+jitter=.3
+scale_x_y = 1.05
+cls_normalizer=1.0
+iou_normalizer=0.07
+iou_loss=ciou
+ignore_thresh = .7
+truth_thresh = 1
+random=0
+resize=1.5
+nms_kind=greedynms
+beta_nms=0.6