yolov4训练自己的数据

环境的配置参见上一篇博客：Windows下的YOLOV4配置VS

进入到\darknet-master\build\darknet\x64\data目录新建一个自己装数据的文件夹，在里面新建如下几个文件夹annatations存放.xml文件，ImageSets里面再新建main文件夹，JPEGImages存放所有的图片，

我们对数据的处理就是将数据分为数据集、测试集、验证集，并将分好的图片数据对应的路径保存到一个txt文件中，方便训练测试的时候找到。

随机分测试机验证集的python脚本：

import os
import random

trainval_percent = 0.1
train_percent = 0.9
xmlfilepath = 'E:\...darknet-master\\build\\darknet\\x64\\data\\MyData\\Annatations'  #修改为自己数据路径
txtsavepath = 'E:...darknet-master\\build\\darknet\\x64\\data\\MyData\\ImageSets\\Main'
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)

ftrainval = open('E:...darknet-master\\build\\darknet\\x64\\data\\MyData\\ImageSets\\Main\\trainval.txt', 'w')
ftest = open('E:...darknet-master\\build\\darknet\\x64\\data\\MyData\\ImageSets\\Main\\test.txt', 'w')
ftrain = open('E:...arknet-master\\build\\darknet\\x64\\data\\MyData\\ImageSets\\Main\\train.txt', 'w')
fval = open('E:...darknet-master\\build\\darknet\\x64\\data\\MyData\\ImageSets\\Main\\val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftest.write(name)
        else:
            fval.write(name)
    else:
        ftrain.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

将数据随机分为了训练集，测试集，验证集，训练验证集。训练验证集=测试集+验证集。在main文件夹下面生成了四个txt文件。

下面就是将xml文件转化为yolov3的数据格式，并将各自图片的位置路径保存到txt文件，以便训练的时候，网络能够访问到图片。python脚本如下：

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
import sys
 
#源代码sets=[('2012', 'train'), ('2012', 'val'), ('2007', 'train'), ('2007', 'val'), ('2007', 'test')]
sets=[('myData', 'test')]  # 改成自己建立的myData
 
classes = ["obj", "target"] # 改成自己的类别
 
def convert(size, box):
    dw = 1./(size[0])
    dh = 1./(size[1])
    x = (box[0] + box[1])/2.0 - 1
    y = (box[2] + box[3])/2.0 - 1
    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):
    in_file = open('build\\darknet\\x64\data\\MyData\\Annatations\\%s.xml'%(image_id)) VOCdevkit/VOC%s/Annotations/%s.xml
    out_file = open('build\\darknet\\x64\\data\\MyData\\labels\\%s.txt'%(image_id), 'w')  # 改成自己的数据路径
    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()
wd1 = sys.path[0]
 
for year, image_set in sets:
    if not os.path.exists('build\\darknet\\x64\\data\\MyData\\labels\\'):  # 改成自己建立的myData路径
        os.makedirs('\\build\\darknet\\x64\\data\\MyData\\labels\\')
    image_ids = open('\build\\darknet\\x64\\data\\MyData\\ImageSets\\Main\\%s.txt'%(image_set)).read().strip().split()
    list_file = open('build\\darknet\\x64\\data\\MyData\\%s_%s.txt'%(year, image_set), 'w')
    for image_id in image_ids:
        list_file.write('%s\JPEGImages\%s.jpg\n'%(wd1, image_id))    #保存路径代码
        print(wd)
        print(wd1)
        convert_annotation(year, image_id)   #转化为yolo的数据格式
    list_file.close()

到这里我们的myData文件下面会生成存放图片路径的txt文件

label文件夹下面会有各个图片对应的yolo格式的数据。

到这里我们数据处理就弄好了，后面就是改配置文件了。分别为voc.names，改为自己数据的类别的名字。

另外就是voc.data，分别改为保存图片路径的txt的路径

上面的两个文件都在data文件夹下面。
最后就是改cfg文件夹下面的网络结构配置文件

我的是两个类，所以filters数量改为21，计算公式为3*（5 + 类别数）=21，查找yolo需要改的地方有三个。

最后就是训练了。
下载预训练模型yolov4.weights到x64文件夹下面，命令行如下：

darknet.exe detector train data/voc.data cfg/yolov4.cfg yolov4.weights

详细的训练测试过程参照官网的readme：https://github.com/AlexeyAB/darknet