使用yolov4进行自定义数据集训练与测试图片检测展示

一、引言

YOLO（You Only Look Once）系列算法是目标检测领域的一个里程碑式的方法。自从YOLOv1的提出，该系列算法就以其高效的速度和优秀的性能受到广泛关注。YOLOv4更是在继承了前面版本优点的基础上，通过引入更多的优化策略和模块，进一步提升了检测精度和速度。

在本文中，我将介绍如何使用YOLOv4算法，基于课上提供的代码，使用自己标注的数据集进行训练，并最终得到一个训练好的模型。随后，我们将使用测试图片对训练后的模型进行检测，并展示结果。

二、数据集准备与标注

首先，我们需要准备一个自定义的数据集。数据集应该包含多个图像，并且每个图像都需要有对应的标注文件。标注文件通常包含目标物体的类别和位置信息，常见的标注格式有XML、JSON等。

1.数据集的准备

 训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。

 训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGTmages中。

2.数据集的处理

在完成数据集的摆放后，需要利用voc_annotation.py获得训练用的2007_train.txt和2007_val.txt。修改voc_annotation.py里面的参数。第一次训练可以仅修改classes_path，classes_path用于指向检测类别所对应的txt。训练数据集时，可以建立一个cls_classes.txt，里面写所需要区分的类别。

三、环境搭建与代码准备

在开始训练