YOLOv4训练自己的数据集----darknet版_记录
点击YOLOv4论文地址
本文基于代码链接实现训练自己的数据集
环境配置
Ubuntu+cuda10.02+darknet+python
1.下载模型文件
git clone https://github.com/AlexeyAB/darknet.git
2.下载预训练模型
链接：https://pan.baidu.com/s/1uJhsMlOvPfoIaipwYLKJIg
提取码：aiqt
将下载的yolov4.conv.137和yolov4.weights模型放在darknet目录中即可。
3.编译
如果需要使用GPU加速，那么得打开项目里面的Makefile文件修改一些参数的值。修改完成之后在直接make。
GPU=1
CUDNN=1
CUDNN_HALF=1
OPENMP=1
LIBSO=1
DEBUG=1
NVCC=/usr/local/cuda-10.2/bin/nvcc # 自己cuda安装位置
##修改完成后
# cd 到 darknet-master 目录下
make
或者 make -j8
测试
# 测试图片，结果保存在 darknet-master/predictions.jpg
./darknet detect cfg/yolov4.cfg yolov4.weights data/dog.jpg
# 如果内存不够，修改 cfg/yolov4.cfg
batch=1
subdivisions=1
width=416
height=416
result
训练
1.准备自己的数据集，以voc数据集的格式存放
数据据制作过程参考：制作符合VOC格式的数据集
最后制作完效果如下：
按照上面格式准备好数据
Annotations是存放图片对应的标签xml文件
JPEGImage 存放图片
ImageSets --> Main -->test.txt train.txt trainval.txt val.txt 里面txt按行随机存放图片名字
如
000001
000002
000003…
2.制作yolov4需要的label以及txt
这个时候只用voc数据集的格式是不满足我们这里需要的格式。首先打开路径下 build/darknet/x64/data/voc/voc_label.py，修改voc_label.py里面的内容。
先把7行的关于2012的去掉，再把第9行改成自己的类别。
给每个路径前面加个data,如下图
可能会存在 w为0或h为0的存在
修改完了之后复制voc_label.py在主目录darknet-master下执行，否则那些文件会生成在build/darknet/x64/data下面，执行完成后你会看到主目录下的data/目录下会生成几个txt。主目录darknet-master下的data/VOCdevkit/VOC2007/下面会生成一个label文件夹，里面txt会有坐标偏移量。
5.修改配置文件
<a.>cfg/目录下复制coco.data，并且重命名为obj.data，放在cfg/目录下。然后使用修改下面以下内容
<b.>cfg/目录下复制coco.names，并且重命名为obj.names，放在cfg/目录下。改成自己类别的名称
<c.>复制cfg/yolov4-custom.cfg，并且重命名为yolo-obj.cfg，放在cfg/目录下，同时修改一下内容
上图中修改width和height为416，修改最大batch迭代多少个数max_batches = 6000，修改steps多久学习率下降一次，一般设置为batch个数的80%和90%。
然后三个classes的地方要修改
还有三个filters=255的地方要修改成自己的。
6.开始训练自己的数据集
./darknet detector train cfg/obj.data cfg/yolo-obj.cfg yolov4.conv.137
如需调用多个GPU
./darknet detector train cfg/obj.data cfg/yolo-obj.cfg yolov4.conv.137 -gpus 0,1,2,3
如若报错这个错误，则将cfg/yolo-obj.cfg 里面26行mosaic=1改成mosaic=0或者注释掉。没报错就忽略。
7.预测
./darknet detector test cfg/obj.data cfg/yolo-obj.cfg yolo-obj_xxxx.weights