在上一篇博客中（这里），介绍了如何获取自己的训练数据集及其标记的过程，本篇博客介绍一下Yolo v4训练自己数据集的过程。
1、下载预训练权重yolov4.conv.137，放到darknet目录下，该预训练权重下载地址；
2、进入darknet/cfg目录下，复制yolov4-custom.cfg，名字改为yolov4-cat.cfg，并打开该文件，进行下面的6处修改：
（1）yolov4-cat.cfg文件第1-7行如下：
----------------------------------------------------------------
[net]
# Testing
#batch=1
#subdivisions=1
# Training
batch=64
subdivisions=16
----------------------------------------------------------------
注意：由于是进行训练，这里不需要修改。训练过程中可能出现CUDA out of memory的提示，可将这里的subdivisions增大，如32或64，但是数值越大耗时越长，因此需要权衡一下；
（2）yolov4-cat.cfg文件第8-9行将608修改为416：
----------------------------------------------------------------
width=416
height=416
----------------------------------------------------------------
注意：这里也可不改，如果原始的数值608可能会导致CUDA out of memory的提示，而且这里的数值必须是32的倍数，这里也是数值越大耗时越长；
（3）第20行的参数max_batches也要修改，原始值为500500，max_batches = classes*2000，但是max_batches不要低于训练的图片张数，这里只训练1类，因此max_batches = 2000；
（4）第22行的参数steps=1600,1800，这两个数值分别为max_batches的80%和90%；
（5）继续修改yolov4-cat.cfg文件，按Ctrl+F键，搜索“classes”，一共有3处，先定位到第一处，将classes=80改为classes=1，并将classes前面最近的filters修改为18，计算由来（classes+5）*3=18；
（6）继续修改yolov4-cat.cfg文件，按照上面的步骤同样修改第二处和第三处的classes；
3、进入darknet/data文件夹下，创建名称为cat.names的文件（参考该文件夹voc.names文件的写法），在cat.names文件中添加类别名称，本次实验只需添加cat即可；
4、进入darknet/cfg文件夹下，创建名称为cat.data的文件，在该文件中添加相关内容，一共5行，参考示例voc.data文件，类别改为1；
----------------------------------------------------------------
classes= 1
train = ~/darknet/data/cat_data/train.txt
valid = ~/darknet/data/cat_data/test.txt
names = data/cat.names
backup = backup
----------------------------------------------------------------
（1）其中第二行和第三行分别为train.txt和test.txt所在的路径，第5行改为前面新建的cat.names；
（2）这里的train.txt和test.txt前一篇博客中第1步生成的文件；
（3）第5行backup = backup不能写成其它路径，否则会报错；
5、进入darknet目录下，右键点击Open in Terminal，并输入以下指令：
./darknet detector train cfg/cat.data cfg/yolov4-cat.cfg yolov4.conv.1376、训练的过程中，生成的权重文件会存放在/darknet/backup文件夹下，训练过程每隔一段时间会生成一个.weights文件；
7、生成.weights文件后，便可以进行测试了（此时训练仍在继续，另外开一个终端进入darknet路径下）。也可以等待全部训练完成后再进行测试。测试指令如下：
./darknet detect cfg/yolov4-cat.cfg backup/yolov4-cat_final.weights data/cat_10.jpg注意，Yolo v4版本添加了训练时候训练误差随着迭代次数的增加而变化的图，可以方便看误差的变化情况，如下图所示：可以看到darknetAB代码细节做得很到位。
8、训练时我们可以再开一个终端，通过nvidia-smi命令来查看cuda和显存的使用情况。
参考资料