YOLOv4-pytorch entrena su propio conjunto de datos
Introducción a YOLOv4-pytorch
Dirección de Github: argusswift/YOLOv4-pytorch: https://github.com/argusswift/YOLOv4-pytorch
Esta es una reproducción de la versión PyTorch basada en la estructura YOLOv4 de darknet, y también proporciona módulos útiles como Mobilenetv3-YOLOv4, atento YOLOv4, etc. Fácil de operar y fácil de leer.
Configuración del entorno
entorno operativo
- NvidaGeForce RTX 2080TI
- CUDA10.0
- CUDNN7.0
- ventanas o linux
- pitón 3.6
Instalar dependencias
pip3 install -r requirements.txt --user
Preparación
Clona Git YOLOv4
git clone github.com/argusswift/YOLOv4-pytorch.git
Preparar conjunto de datos
El modelo proporciona tres formatos de datos compatibles (PASCAL VOC, COCO, Customer).
Descargue el conjunto de datos de PascalVOC/MSCOCO 2017
PascalVOC:VOC 2012_trainval、VOC 2007_trainval、VOC2007_test
MSCOCO 2017:train2017_img、train2017_ann、val2017_img、val2017_ann、test2017_img、test2017_list
- Coloque el conjunto de datos en el directorio y actualice " DATA_PATH " en config/ yolov4_config.py a la ubicación del conjunto de datos;
- (Para el conjunto de datos COCO) Use utils/ coco_to_voc.py para convertir el tipo de datos COCO al tipo de datos VOC;
- Use utils/ voc.py para convertir el formato *.xml de PascalVOC a formato *.txt o utils/coco.py para convertir el formato *.json de COCO a formato *.txt (Image_path xmin0, ymin0, xmax0, ymax0, class0 xmin1 ,ymin1 ,xmáx1,ymáx1,clase1...).
Prepara tu propio conjunto de datos
Cree su propio conjunto de datos similar al tipo PascalVOC:
- VOC
- JPEGImage #原图片文件
- Annotations #标注*.xml文件
- ImageSets
- Main #训练、测试集
- train.txt
- test.txt
- Coloque la imagen en la carpeta JPEGImage y coloque el archivo de anotaciones en la carpeta Anotaciones ;
- Use utils/ xml_to_txt.py para escribir el conjunto de entrenamiento y el conjunto de prueba en ImageSets/Main/*.txt ;
- Use utils/ voc.py para convertir el formato *.xml de PascalVOC a formato *.txt o utils/coco.py para convertir el formato *.json de COCO a formato *.txt (Image_path xmin0, ymin0, xmax0, ymax0, class0 xmin1 ,ymin1 ,xmax1,ymax1,clase1...);
- Modifique el NÚMERO y las CLASES de Customer_DATA en config/ yolov4_config.py .
Customer_DATA = {
"NUM": 2, # your dataset number
"CLASSES": [
"name",
"flag"
], # your dataset class
}
Descarga el archivo de pesos
- Peso pre-entrenamiento Darknet: YOLOv4 ;
- Pesos de preentrenamiento de Mobilenet: mobilenetv2 , mobilenetv3 (contraseña de descompresión: args);
- Cree una nueva carpeta peso/, coloque el archivo de peso en ella;
- Modifique MODEL_TYPE en config/ yolov4_config.py .
MODEL_TYPE = {
"TYPE": "YOLOv4"
} # YOLO type:YOLOv4, Mobilenet-YOLOv4 or Mobilenetv3-YOLOv4
tren
Modifique los parámetros en config/yolov4_config.py:
TRAIN = {
"DATA_TYPE": "Customer", # DATA_TYPE: VOC ,COCO or Customer
"TRAIN_IMG_SIZE": 416,
"AUGMENT": True,
"BATCH_SIZE": 8,
"MULTI_SCALE_TRAIN": False,
"IOU_THRESHOLD_LOSS": 0.5,
"YOLO_EPOCHS": 4000,
"Mobilenet_YOLO_EPOCHS": 120,
"NUMBER_WORKERS": 0,
"MOMENTUM": 0.9,
"WEIGHT_DECAY": 0.0005,
"LR_INIT": 1e-4,
"LR_END": 1e-6,
"WARMUP_EPOCHS": 2, # or None
}
Instrucciones de entrenamiento:
python -u train.py --weight_path weight/yolov4.weights --gpu_id 0
o (nohup)
CUDA_VISIBLE_DEVICES=0 nohup python -u train.py --weight_path weight/yolov4.weights --gpu_id 0 > nohup.log 2>&1 &
o (con --resume, llamando automáticamente a last.pt)
CUDA_VISIBLE_DEVICES=0 nohup python -u train.py --weight_path weight/last.pt --gpu_id 0 > nohup.log 2>&1 &
prueba
prueba de imagen
for VOC dataset:
CUDA_VISIBLE_DEVICES=0 python3 eval_voc.py --weight_path weight/best.pt --gpu_id 0 --visiual $DATA_TEST --eval --mode det
for COCO dataset:
CUDA_VISIBLE_DEVICES=0 python3 eval_coco.py --weight_path weight/best.pt --gpu_id 0 --visiual $DATA_TEST --eval --mode det
prueba de vídeo
CUDA_VISIBLE_DEVICES=0 python3 video_test.py --weight_path best.pt --gpu_id 0 --video_path video.mp4 --output_dir --output_dir
problemas encontrados
- evaluación.py no puede encontrar el archivo de anotación *.xml
FileNotFoundError: [Errno 2] No such file or directory: '/home/my/YOLOv4-pytorch/data/VOC/Annotations\\18_3_dets0.xml'
报错原因:路径地址不正确
解决方法:
1.检查yolov4_config.py中DATA_PATH地址是否正确
2.evaluater.py,221 改为 self.val_data_path, "Annotations/" + "{:s}.xml"
Referencias:
[1]: https://github.com/argusswift/YOLOv4-pytorch