Yolov4訓練自己的數據集

代碼運行環境Ubuntu18.04+python3.6+顯卡1080Ti+CUDA10.0+cudnn7.5.1+OpenCV3.4.6+Cmake3.12.2，詳細環境配置安裝步驟就不講解拉，網上教程一大堆。

從github克隆下載源碼，鏈接地址：https://github.com/AlexeyAB/darknet

訓練肯定需要使用GPU加速，那么得打開項目里面的makefile文件修改一些參數的值，1-4、7改為1
makefile前面幾行：打開GPU 加速，打開opencv，打開libdarknet.so生成開關

GPU=1 CUDNN=1 CUDNN_HALF=1 OPENCV=1 AVX=0 OPENMP=0 LIBSO=1 ZED_CAMERA=0 # ZED SDK 3.0 and above ZED_CAMERA_v2_8=0 # ZED SDK 2.X

編譯
在darknet-master目錄下運行：cmake.&make -j48

下載與訓練權重放在主目錄下https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights

百度網盤： 鏈接：https://pan.baidu.com/s/16wOHbaa2mG7cTZ_RcGjRnw
提取碼：99bl

用下面的命令測試一下預訓練權重
./darknet

如果編譯成功則會出現以下信息
usage: ./darknet

現在可以測試初始預訓練權重效果了
./darknet detect cfg/yolov4.cfg yolov4.weights data/dog.jp

成功則在主目錄下出現predictions.jpg 圖片為預測后的圖片，打開 OPENCV=1的可以直接顯示出圖片。說明我們的環境配置好了，否則先去配置環境。

5. 訓練自己的數據集
–5.1 在主目錄下創建yolo-obj.cfg 配置文件。將 yolov4-custom.cfg 中的內容復制到 yolo-obj.cfg里面，并做以下修改。
　　--5.1.1修改batch=64，修改subdivisions=16(如果顯卡是2080TI的，可以把batch設置為96，如果報內存不足，將batch改回64將，或者subdivisions設置為32)
　　--5.1.2修改max_batches=classes*2000 例如有2個類別人和車 ，那么就設置為4000，N個類就設置為N乘以2000，
　　--5.1.3修改steps為80% 到 90% 的max_batches值 比如max_batches=4000，則steps=3200,3600
　　--5.1.4修改classes,先用ctrl+F搜索 [yolo] 可以搜到3次，每次搜到的內容中 修改classes=你自己的類別 比如classes=2
　　--5.1.5修改filters,一樣先搜索 [yolo] ,每次搜的yolo上一個[convolution] 中 filters=(classes + 5)x3 比如filters=21
　　--5.1.6（可以跳過）如果要用[Gaussian_yolo] ，則搜索[Gaussian_yolo] 將[filters=57] 的filter 修改為 filters=(classes + 9)x3 （這里我沒用到，但是還是修改了）
–5.2制作obj.names，在主目錄下創建obj.names文件。內容為你的類別 比如人和車 那么obj.names 為如下，多個類別依次往下寫

person
car

–5.3 制作obj.data，在主目錄下創建obj.data文件。內容如下

classes= 2train = ./scripts/2007_train.txt#valid = ./scripts/2007_test.txt #（做測試用的測試txt）valid = ./scripts/2007_val.txtnames = darknet-master/obj.name #（找不到的話，可以修改為自己的絕對路徑）backup = backup/ # 權重保存的位置

–5.4 數據集制作
在scripts文件夾下按如下目錄創建VOCdevkit 文件夾，放自己的訓練數據。

VOCdevkit --VOC2007 ----Annotations #（放XML標簽文件） ----ImageSets ------Main ----JPEGImages # (放原始圖片) 把自己的原始未標注圖片和標簽信息放入相應文件夾下。

• ?

–5.5 scripts文件夾下有voc_label.py，打開后修改自己的類別信息，

sets=[ (‘2007’, ‘train’), (‘2007’, ‘val’), (‘2007’, ‘test’)]
classes = [“person”,“car” ] 按自己的類別修改，但是順序要和obj.name 保持一致，
-5.6 在主目錄下創建make_data.py 文件，把如下代碼方進去。運行此文件在scripts 文件下生成 3個相應的txt文件，在Main 下生成四個txt文件。

• ?

import os import random import sys root_path = './scripts/VOCdevkit/VOC2007' xmlfilepath = root_path + '/Annotations' txtsavepath = root_path + '/ImageSets/Main' if not os.path.exists(root_path):print("cannot find such directory: " + root_path)exit() if not os.path.exists(txtsavepath):os.makedirs(txtsavepath) trainval_percent = 0.9 train_percent = 0.8 total_xml = os.listdir(xmlfilepath) num = len(total_xml) list = range(num) tv = int(num * trainval_percent) tr = int(tv * train_percent) trainval = random.sample(list, tv) train = random.sample(trainval, tr) print("train and val size:", tv) print("train size:", tr) ftrainval = open(txtsavepath + '/trainval.txt', 'w') ftest = open(txtsavepath + '/test.txt', 'w') ftrain = open(txtsavepath + '/train.txt', 'w') fval = open(txtsavepath + '/val.txt', 'w') for i in list:name = total_xml[i][:-4] + '\n'if i in trainval:ftrainval.write(name)if i in train:ftrain.write(name)else:fval.write(name)else:ftest.write(name) ftrainval.close() ftrain.close() fval.close() ftest.close()

• 5.7運行voc_labels.py文件，在VOC2007文件下生成labels文件，文件夾里包含相應的txt.（現在voc2007文件里多出一個labels 文件夾）

-5.8 開始訓練
首先下載預訓練權重yolov4.conv.137，放入主目錄下。

鏈接：https://pan.baidu.com/s/1yhB8pRcGH84gyRWeNictBA
提取碼：gi4d

用下面的命令開始訓練：
./darknet detector train obj.data yolo-obj.cfg yolov4.conv.137 -map

#訓練2000此后在之前訓練的基礎上繼續訓練（適合中途停止后繼續訓練）
./darknet detector train obj.data yolo-obj.cfg backup/yolo-obj_2000.weights -map

大家可以看到收斂效果還是很明顯的，效果扛扛的。不愧是吊打一切的目標檢測算法。

-5.9測試
修改obj.data,
valid = ./scripts/2007_test.txt
#valid = ./scripts/2007_val.txt

測試：
./darknet detector map obj.data yolo-obj.cfg backup/yolo-obj_final.weights

好了，你竟然認真的看完了，記得點贊收藏，下次觀看不迷路，有任何問題歡迎流言私信我。

總結

以上是生活随笔為你收集整理的Yolov4训练自己的数据集的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。