yolo v4模型训练过程(超详细)
第一步:标注数据集
使用到的工具是labelimg,可以直接下载exe文件,我这边就不做演示了
因为博主之前做过TensorFlow objection detection 识别,就用了原来的标注的数据集,这样可以省下很多时间,而我们只需要将xml文件改为txt格式
格式如下
因为xml文件里面的格式是下面的
这里我会提供py代码(将网上的代码进行了更改)
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
sets=[('2012', 'train'), ('2012', 'val')]
classes = ["container_close", "container_open", "person"]
def convert(size, box):
dw = 1./size[0]
dh = 1./size[1]
x = (box[0] + box[1])/2.0
y = (box[2] + box[3])/2.0
w = box[1] - box[0]
h = box[3] - box[2]
x = x*dw
w = w*dw
y = y*dh
h = h*dh
return (x,y,w,h)
def convert_annotation(year, image_id): # 转换这一张图片的坐标表示方式(格式),即读取xml文件的内容,计算后存放在txt文件中。
in_file = open('VOCdevkit/VOC%s/Annotations/%s.xml'%(year, image_id))
out_file = open('VOCdevkit/VOC%s/labels/%s.txt'%(year, image_id), 'w')
tree=ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
bb = convert((w,h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
for year, image_set in sets:
if not os.path.exists('VOCdevkit/VOC%s/labels/'%(year)):
os.makedirs('VOCdevkit/VOC%s/labels/'%(year)) # 新建一个 label 文件夹,用于存放yolo格式的标签文件:000001.txt
image_ids = open('VOCdevkit/VOC%s/ImageSets/Main/%s.txt'%(year, image_set)).read().strip().split() # 读取txt文件中 存放的图片的 id:000001
list_file = open('%s_%s.txt'%(year, image_set), 'w') # 新建一个 txt文件,用于存放 图片的绝对路径:/media/common/yzn_file/DataSetsH/VOC/VOCdevkit/VOC2007/JPEGImages/000001.jpg
for image_id in image_ids:
list_file.write('%s/VOCdevkit/VOC%s/JPEGImages/%s.jpg\n'%(wd, year, image_id)) # 向 txt 文件中写入 一张图片的绝对路径
convert_annotation(year, image_id) # 转换这一张图片的坐标表示方式(格式)
list_file.close()
这个代码执行完会生成2个文件和一个文件夹(这也是后期训练所要用到的东西)
第二步:修改配置文件
因为博客用的cmake编译,所以会有Release文件夹,我这边全程在x64/Release文件夹下面,如果你们没有用cmkae编译,你们只需要在x64进行(后期全程在x64文件夹下面)
复制这2个文件,然后把名字分别改成voc-ball.data和voc-ball.names
然后打开voc-ball.names,本来里面是20个类的名字,这边需要改成你训练类的名字(我这边训练3个类)
改完后保存退出,
然后打开voc-ball.data(按照我的对照改就行了)
接着进入cfg文件夹,复制yolov4-voc.cfg并重新命名为yolov4-ball.cfg,打开此文件,下面介绍如何改参数
batch不宜过大,过大显存会爆,导致不能训练
我们还需要改3个地方的classes(我用的是notepad++打开)搜索classes,然后classes前面都有对应的filters,这两个都要改,filters与classes的关系是filters = (classes +5) *3
改完之后保存
第三步开始训练
首先下载预训练yolov4.conv.137
(链接:https://pan.baidu.com/s/1GG-gwaU0DXC3pfA-kmtX0w
提取码:pqxr)
放到刚刚的目录下,
darknet.exe detector train data\voc-ball.data cfg\yolov4-ball.cfg yolov4.conv.137 -map
yolo v4模型训练过程(超详细)相关推荐
- 训练yolo V4模型调优的十个建议
1.获取更多的数据 2.数据增广 3.输入分辨率 4.使用预训练pretrained模型 5.选择合适的模型尺寸和架构 6.继续之前的训练 7.选择最好的模型 8.模型评估 9.导出模型 10.优化推 ...
- 手把手教你洞悉 PyTorch 模型训练过程,彻底掌握 PyTorch 项目实战!(文末重金招聘导师)...
(文末重金招募导师) 在CVPR 2020会议接收中,PyTorch 使用了405次,TensorFlow 使用了102次,PyTorch使用数是TensorFlow的近4倍. 自2019年开始,越来 ...
- 深度学习模型训练过程
深度学习模型训练过程 一.数据准备 基本原则: 1)数据标注前的标签体系设定要合理 2)用于标注的数据集需要无偏.全面.尽可能均衡 3)标注过程要审核 整理数据集 1)将各个标签的数据放于不同的文件夹 ...
- 【深度学习】Tensorboard可视化模型训练过程和Colab使用
[深度学习]Tensorboard可视化模型训练过程和Colab使用 文章目录 1 概述 2 手撸代码实现 3 Colab使用3.1 详细步骤3.2 Demo 4 总结 1 概述 在利用TensorF ...
- Keras深度学习实战(1)——神经网络基础与模型训练过程详解
Keras深度学习实战(1)--神经网络基础与模型训练过程详解 0. 前言 1. 神经网络基础 1.1 简单神经网络的架构 1.2 神经网络的训练 1.3 神经网络的应用 2. 从零开始构建前向传播 ...
- 【深度学习】模型训练过程可视化思路(可视化工具TensorBoard)
[深度学习]模型训练过程可视化思路(可视化工具TensorBoard) 文章目录 1 TensorBoard的工作原理 2 TensorFlow中生成log文件 3 启动TensorBoard,读取l ...
- TF学习——TF之TFOD:基于TFOD AP训练ssd_mobilenet预模型+faster_rcnn_inception_resnet_v2_模型训练过程(TensorBoard监控)全记录
TF学习--TF之TFOD:基于TFOD AP训练ssd_mobilenet预模型+faster_rcnn_inception_resnet_v2_模型训练过程(TensorBoard监控)全记录 目 ...
- 模型训练过程中产生NAN的原因分析
模型训练过程中产生NAN的原因分析 在模型的训练过程中发现,有时在经过多轮训练后loss会突然变为nan.loss变为nan也就使权重更新后的网络里的参数变为了nan,这样就使整个训练无法再进行下去了 ...
- R语言使用keras包实现包含多个全连接层的二分类预测模型:在模型训练过程中动态可视化每个epoch后的loss值以及accuray值
R语言使用keras包实现包含多个全连接层的二分类预测模型:在模型训练过程中动态可视化每个epoch后的loss值以及accuray值 目录
- 【YOLO系列】YOLOv1论文超详细解读(翻译 +学习笔记)
前言 从这篇开始,我们将进入YOLO的学习.YOLO是目前比较流行的目标检测算法,速度快且结构简单,其他的目标检测算法如RCNN系列,以后有时间的话再介绍. 本文主要介绍的是YOLOV1,这是由以Jo ...
最新文章
- 不用1750亿!OpenAI CEO放话:GPT-4参数量不增反减
- ios设置tabbar背景颜色_WooCommerce微信小程序2.9.3版本发布 后台设置主题色 底栏装修定制...
- sublime text 2中Emmet8个常用的技巧
- RebatesMe:返利网站DDOS防护
- PyCharm运行出现 Ignoring XDG_SESSION_TYPE=wayland on Gnome. Use QT_QPA_PLATFORM=wayland to run
- final关键字---Java
- statspack report分析
- mos管闩锁效应理解学习
- 乐高机器人编程和编程的区别
- Builder模式创建实体类
- Android热修复Sophix详解
- laravel.log could not be opened 解决方法
- oracle 在此 select 语句中缺少 into 子句,Go database/sql文档
- k8s调度之污点和容忍
- 宕昌一中2021高考成绩查询,有朋自远方来 | 甘肃省陇南市宕昌一中来广元中学考察交流...
- cad图纸怎么看懂_如何看懂CAD图?
- 机器学习有哪些应用?可以用来做什么?
- 【电源】之【常用稳压IC大全】
- Windows 7 新功能 - BitLocker To Go
- P6-Windows与网络基础-安装eNSP软件环境