Yolov4训练自己的数据集

代码运行环境Ubuntu18.04+python3.6+显卡1080Ti+CUDA10.0+cudnn7.5.1+OpenCV3.4.6+Cmake3.12.2，详细环境配置安装步骤就不讲解拉，网上教程一大堆。
从github克隆下载源码，链接地址：https://github.com/AlexeyAB/darknet
训练肯定需要使用GPU加速，那么得打开项目里面的makefile文件修改一些参数的值，1-4、7改为1
makefile前面几行：打开GPU 加速，打开opencv，打开libdarknet.so生成开关

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

编译
在darknet-master目录下运行：cmake.&make -j48

下载与训练权重放在主目录下https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights

百度网盘：链接：https://pan.baidu.com/s/16wOHbaa2mG7cTZ_RcGjRnw
提取码：99bl

用下面的命令测试一下预训练权重
./darknet

如果编译成功则会出现以下信息
usage: ./darknet

现在可以测试初始预训练权重效果了
./darknet detect cfg/yolov4.cfg yolov4.weights data/dog.jp

成功则在主目录下出现predictions.jpg 图片为预测后的图片，打开 OPENCV=1的可以直接显示出图片。说明我们的环境配置好了，否则先去配置环境。

5. 训练自己的数据集
–5.1 在主目录下创建yolo-obj.cfg 配置文件。将 yolov4-custom.cfg 中的内容复制到 yolo-obj.cfg里面，并做以下修改。
　　--5.1.1修改batch=64，修改subdivisions=16(如果显卡是2080TI的，可以把batch设置为96，如果报内存不足，将batch改回64将，或者subdivisions设置为32)
　　--5.1.2修改max_batches=classes*2000 例如有2个类别人和车，那么就设置为4000，N个类就设置为N乘以2000，
　　--5.1.3修改steps为80% 到 90% 的max_batches值比如max_batches=4000，则steps=3200,3600
　　--5.1.4修改classes,先用ctrl+F搜索 [yolo] 可以搜到3次，每次搜到的内容中修改classes=你自己的类别比如classes=2
　　--5.1.5修改filters,一样先搜索 [yolo] ,每次搜的yolo上一个[convolution] 中 filters=(classes + 5)x3 比如filters=21
　　--5.1.6（可以跳过）如果要用[Gaussian_yolo] ，则搜索[Gaussian_yolo] 将[filters=57] 的filter 修改为 filters=(classes + 9)x3 （这里我没用到，但是还是修改了）
–5.2制作obj.names，在主目录下创建obj.names文件。内容为你的类别比如人和车那么obj.names 为如下，多个类别依次往下写

person
car

–5.3 制作obj.data，在主目录下创建obj.data文件。内容如下

  classes= 2train  = ./scripts/2007_train.txt#valid  = ./scripts/2007_test.txt #（做测试用的测试txt）valid  = ./scripts/2007_val.txtnames = darknet-master/obj.name #（找不到的话，可以修改为自己的绝对路径）backup = backup/ # 权重保存的位置

–5.4 数据集制作
在scripts文件夹下按如下目录创建VOCdevkit 文件夹，放自己的训练数据。

VOCdevkit
--VOC2007
----Annotations  #（放XML标签文件）
----ImageSets
------Main
----JPEGImages   # (放原始图片)

把自己的原始未标注图片和标签信息放入相应文件夹下。

–5.5 scripts文件夹下有voc_label.py，打开后修改自己的类别信息，

sets=[ (‘2007’, ‘train’), (‘2007’, ‘val’), (‘2007’, ‘test’)]
classes = [“person”,“car” ] 按自己的类别修改，但是顺序要和obj.name 保持一致，
-5.6 在主目录下创建make_data.py 文件，把如下代码方进去。运行此文件在scripts 文件下生成 3个相应的txt文件，在Main 下生成四个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运行voc_labels.py文件，在VOC2007文件下生成labels文件，文件夹里包含相应的txt.（现在voc2007文件里多出一个labels 文件夹）

-5.8 开始训练
首先下载预训练权重yolov4.conv.137，放入主目录下。

链接：https://pan.baidu.com/s/1yhB8pRcGH84gyRWeNictBA
提取码：gi4d

用下面的命令开始训练：
./darknet detector train obj.data yolo-obj.cfg yolov4.conv.137 -map

#训练2000此后在之前训练的基础上继续训练（适合中途停止后继续训练）
./darknet detector train obj.data yolo-obj.cfg backup/yolo-obj_2000.weights -map

大家可以看到收敛效果还是很明显的，效果扛扛的。不愧是吊打一切的目标检测算法。

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

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

好了，你竟然认真的看完了，记得点赞收藏，下次观看不迷路，有任何问题欢迎流言私信我。

Yolov4训练自己的数据集相关推荐

一文多图搞定制作自己的VOC数据集+使用yolov4训练自己的数据集+封装video测试脚本（基于ubuntu）
一文多图搞定制作自己的VOC数据集+使用yolov4训练自己的数据集+封装video测试脚本(基于ubuntu) 制作VOC数据集标注自己的数据集整理数据集路径格式训练数据集环境在Linux ...
(Pytorch) YOLOV4 : 训练自己的数据集【左侧有码】
项目地址:https://github.com/argusswift/YOLOv4-pytorch 这份代码实现的逻辑非常清楚,主要一些数据集处理的代码需要相应的改动: 这里的数据集label格式: ...
yolov4训练自己的数据集实现安全帽佩戴检测
昨儿立下来的flag,今天还是要含泪完成的,抓紧时间赶呀!!! 本次用yolov4来实现人佩戴安全帽检测,若未佩戴安全帽则将人脸框出来,若佩戴安全帽,则将安全帽以及人脸框出来,多说无益,直接看效果吧! ...
YoloV4训练自己的数据集(二)
本文主要介绍使用GPU测试网络,请先看前文然后再看本文.上文中我没有使用Opencv以及GPU,因此测试时间较长,本文介绍使用Opencv以及GPU. 1.安装OpenCV 首先去Opencv官网下载 ...
视频教程-Windows版YOLOv4目标检测实战：训练自己的数据集-计算机视觉
Windows版YOLOv4目标检测实战:训练自己的数据集大学教授,美国归国博士.博士生导师:人工智能公司专家顾问:长期从事人工智能.物联网.大数据研究:已发表学术论文100多篇,授权发明专利10多 ...
ubuntu18.04下YOLOV4测试和训练自己的数据集
安装配置好yolov4的环境,测试下用yolov4检测图片: ./darknet detector test cfg/coco.data cfg/yolov4-custom.cfg yolov4.w ...
YOLOv4实战尝鲜 --- 教你从零开始训练自己的数据集（安全头盔佩戴识别检测）
目录数据准备划分数据集 xml2yolo 生成train/valid.txt YOLOv4配置 cfg文件修改 data文件修改 names文件修改模型训练模型测试本文代码基于:https: ...
yolov4训练已标柱的数据集
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录前言 1.下载数据集 https://github.com/ncs-niva/traffic-cone-image-data ...
yolov4用Google Colab训练自己的数据集
yolov4训练数据简介运用google Colab训练自己的Yolov4数据集 google colab的使用项目使用流程 1.设置GPU可用 2.clone项目构建Darknet git c ...

Yolov4训练自己的数据集

Yolov4训练自己的数据集

Yolov4训练自己的数据集相关推荐

最新文章

热门文章