深度学习实战 | WIN10环境下配置Darknet并使用Yolov4-tiny训练Gun-and-Sword数据集

最新推荐文章于 2023-07-17 16:18:21 发布
最新推荐文章于 2023-07-17 16:18:21 发布
阅读量1.6k 收藏 31
点赞数 2
文章标签： 深度学习 视觉检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Genms/article/details/118333593
版权

目录

一、准备工作

（一）环境配置

1. cuda和cudnn

2. Visual Studio配置

3. opencv安装

（二）Darknet安装

1. 下载源文件

2. 编译项目

二、使用Yolov4-tiny进行训练

（一）数据集标注

（二）模型配置

1. 模型文件修改

2. 下载预训练权重

（三）模型训练

（四）模型测试及效果

三、参考资料

一、准备工作

（一）环境配置

1. cuda和cudnn

配置cuda11.1+cudnn v8.2.1，这里提供相应的下载链接，可以去官网下最新的，安装步骤都差不多。

cuda11.1：链接：https://pan.baidu.com/s/17FsL7v255mRw_IGMXflaFQ  提取码：4ycb 

cudnn v8.2.1：链接：https://pan.baidu.com/s/1LNtWPkXZk4dRbMRhFPGUaQ  提取码：6drh 

下载好之后先点开cuda_11.1.0_456.43_win10.exe，出现下图

 选定一个目录作为cuda的临时存放目录，点击"OK"，等待提取完毕。

 等待提取完毕后会弹出安装界面

 点击“同意并继续”，再选择自定义，简单粗暴，全部勾选上

 下一步选择安装位置，默认在C盘。记住这个位置，点击下一步进行安装并等待安装完毕。

 安装完cuda后找到刚刚安装cuda的位置，我这里是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1，将cudnn-11.3-windows-x64-v8.2.0.53.zip中cuda文件夹中的bin，include，lib目录下的文件复制到上面那个目录中对应的bin，include，lib中即可完成配置。在cmd中输入nvcc -V可查看cuda版本。

2. Visual Studio配置

Visual Studio主要用来编译Darknet生成可执行的Darknet.exe，本文使用VS2015。

VS2015下载：Visual Studio Older Downloads - 2017, 2015 & Previous Versions (microsoft.com)

找到下面找到VS2015然后点“下载”

 找到Visual Studio Community 2015再点“Download”就可以下载VS2015的镜像了。

 下好之后用UltraISO把镜像里的文件提取出来，装好UltraISO之后右键镜像就会有UltraISO的选项，点击它就可以提取文件了。提取出来之后，文件如下图。

 点击“vs_community”，选好路径完成安装即可，要是提示有些包安装不了可以在安装界面那里设置搜索包的路径为packages目录。

3. opencv安装

下载链接：Download OpenCV from SourceForge.net

下载完后打开选择文件提取路径即可，后面编译darknet时会用到。我这里把它提取到了C:\Users\jiebi\Downloads\opencv。

（二）Darknet安装

1. 下载源文件

本文使用AlexeyAB版的Darknet。

AB版darknet下载链接：GitHub - AlexeyAB/darknet: YOLOv4 / Scaled-YOLOv4 / YOLO - Neural Networks for Object Detection (Windows and Linux version of Darknet )

下载后把它解压到桌面，文件大致内容如下。

2. 编译项目

 进入bulid下的darknet文件夹中，用编辑器编辑darknet.vcxproj，找到下图的两个地方，将CUDA后的数字改为11.1（如果不是11.1的话）。

 然后进入C:\Program Files (x86)\MSBuild\Microsoft.Cpp\v4.0\BuildCustomizations，查看是否有下图四个文件，没有的话就到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\extras\visual_studio_integration\MSBuildExtensions下拷贝过来。

接着配置opencv。用vs2015打开darknet.sln，右键右边的darknet，点击“属性”。

 在顶部“配置”和“平台”选择release和x64，再选中左边的“VC++”目录。选中右边的“包含目录”，点击右边的下拉箭头，选择“编辑”。

 在上面的框输入前面opencv提取目录下的bulid\include，bulid\include\opencv和bulid\include\opencv2，如下图，然后点击确定。

继续在darknet属性页下选中“库目录”，  在上面的框输入前面opencv提取目录下的bulid\x64\vc14\lib。

 点击确定后回到属性页，在右边找到“链接器”，点开并选中“输入”，选中右边的“附加依赖项”，点击右边的下拉箭头进入编辑。在上面的框框中输入opencv提取目录中\build\x64\vc14\lib下的库文件（没有d结尾的那个）。

 点击确定，回到IDE，点击选项卡中的“生成”--“生成darknet”，等待编译完成。完成后会在darknet-master\build\darknet目录下生成x64文件夹，里面就有我们需要用到的darknet.exe。

二、使用Yolov4-tiny进行训练

（一）数据集标注

本文使用VOTT来标注数据集。

VOTT下载链接：https://github.com/microsoft/VoTT/releases/download/v1.7.0/vott-win.exe

下载完后打开会自动安装。

进入主界面，在File--Open Image Directory中选择图片所在目录，然后选择好Region Type并输入图片物体标签后点击continue。

 用鼠标在图片上选取目标所在的区域，然后在左下角选择目标对应的标签。点击双箭头可切换到下一张图片。全部标记完后点击Object Detection -- Export Tag，选择输出格式为YOLO，然后点击“Export”导出。

VOTT生成的文件如下

进入data目录

最后将data目录下的文件都拷贝到x64文件夹下的data目录中。

（二）模型配置

（这里我配置了好几个模型训练的效果都不太好，所以参考了https://blog.csdn.net/weixin_43850253/article/details/118220395的模型）

1. 模型文件修改

将x64文件夹下的yolov4-tiny复制一份，重命名为yolov4-tiny-mytrain.cfg。修改文件中subdivisions的值为8，max_batches为6000，steps为4800,5000，yolo层前一个卷积层的filters为21（Ctrl+F搜索yolo）以及yolo层的classes为2，保存。文件内容如下。

[net]
# Testing
#batch=1
#subdivisions=1
# Training
batch=64
subdivisions=8 
width=416
height=416
channels=3
momentum=0.9
decay=0.0005
angle=0
saturation = 1.5
exposure = 1.5
hue=.1

learning_rate=0.00261
burn_in=1000

max_batches = 6000
policy=steps
steps=4800,5400
scales=.1,.1

[convolutional]
batch_normalize=1
filters=32
size=3
stride=2
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=64
size=3
stride=2
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=64
size=3
stride=1
pad=1
activation=leaky

[route]
layers=-1
groups=2
group_id=1

[convolutional]
batch_normalize=1
filters=32
size=3
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=32
size=3
stride=1
pad=1
activation=leaky

[route]
layers = -1,-2

[convolutional]
batch_normalize=1
filters=64
size=1
stride=1
pad=1
activation=leaky

[route]
layers = -6,-1

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky

[route]
layers=-1
groups=2
group_id=1

[convolutional]
batch_normalize=1
filters=64
size=3
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=64
size=3
stride=1
pad=1
activation=leaky

[route]
layers = -1,-2

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[route]
layers = -6,-1

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[route]
layers=-1
groups=2
group_id=1

[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky

[route]
layers = -1,-2

[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[route]
layers = -6,-1

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky

##################################

[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky

[convolutional]
size=1
stride=1
pad=1
filters=21
activation=linear

[yolo]
mask = 3,4,5
anchors = 10,14,  23,27,  37,58,  81,82,  135,169,  344,319
classes=2
num=6
jitter=.3
scale_x_y = 1.05
cls_normalizer=1.0
iou_normalizer=0.07
iou_loss=ciou
ignore_thresh = .7
truth_thresh = 1
random=0
resize=1.5
nms_kind=greedynms
beta_nms=0.6

[route]
layers = -4

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[upsample]
stride=2

[route]
layers = -1, 23

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[convolutional]
size=1
stride=1
pad=1
filters=21
activation=linear

[yolo]
mask = 1,2,3
anchors = 10,14,  23,27,  37,58,  81,82,  135,169,  344,319	
classes=2
num=6
jitter=.3
scale_x_y = 1.05
cls_normalizer=1.0
iou_normalizer=0.07
iou_loss=ciou
ignore_thresh = .7
truth_thresh = 1
random=0
resize=1.5
nms_kind=greedynms
beta_nms=0.6

2. 下载预训练权重

下载https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v4_pre/yolov4-tiny.conv.29到x64文件夹中。

（三）模型训练

在shell中输入

darknet.exe detector train data/obj.data cfg/yolov4-tiny-mytrain.cfg yolov4-tiny.conv.29 -map

开始训练。训练时会同时绘制损失曲线和map变化曲线。我训练的模型效果如下。

（四）模型测试及效果

将yolov4-tiny-mytrain.cfg复制一份然后改名为yolov4-tiny-mytest.cfg，并且将yolov4-tiny-mytest.cfg中的batch和subdivisions都改为1。

在x64文件夹下打开shell，执行

darknet.exe detector map data/obj.data cfg/yolov4-tiny-mytest.cfg backup/yolov4-tiny-mytrain_best.weights > map.txt

此时x64目录下会生成map.txt文件，里面的内容大致如下。

 CUDNN_HALF=1 
net.optimized_memory = 0 
mini_batch = 1, batch = 1, time_steps = 1, train = 0 
Create CUDA-stream - 0 
 Create cudnn-handle 0 
nms_kind: greedynms (1), beta = 0.600000 
nms_kind: greedynms (1), beta = 0.600000 

 seen 64, trained: 352 K-images (5 Kilo-batches_64) 

 calculation mAP (mean average precision)...
 Detection layer: 30 - type = 28 
 Detection layer: 37 - type = 28 

 detections_count = 29, unique_truth_count = 12  
 rank = 0 of ranks = 29 
class_id = 0, name = gun, ap = 80.56%   	 (TP = 3, FP = 2) 
class_id = 1, name = sword, ap = 97.62%   	 (TP = 5, FP = 0) 

 for conf_thresh = 0.25, precision = 0.80, recall = 0.67, F1-score = 0.73 
 for conf_thresh = 0.25, TP = 8, FP = 2, FN = 4, average IoU = 56.40 % 

 IoU threshold = 50 %, used Area-Under-Curve for each unique Recall 
 mean average precision (mAP@0.50) = 0.890873, or 89.09 % 

Set -points flag:
 `-points 101` for MS COCO 
 `-points 11` for PascalVOC 2007 (uncomment `difficult` in voc.data) 
 `-points 0` (AUC) for ImageNet, PascalVOC 2010-2012, your custom dataset

 于是我们获得了模型关于gun的Average Precision为80.56%，关于sword的Average Precision为97.62%。

在x64的data目录下新建一个test文件夹，把新的数据拷到test文件夹里，然后在x64目录下打开shell，输入

darknet.exe detector test data/obj.data cfg/yolov4-tiny-mytest.cfg backup/yolov4-tiny-mytrain_best.weights

 会出现下面的界面

 输入测试图片的路径就能生成检测结果。

三、参考资料

手把手教你用AlexeyAB版Darknet - 知乎 (zhihu.com)

windows下darknet之yolo(gpu版本）安装 - 知乎 (zhihu.com)

有道云笔记 (youdao.com)

https://blog.csdn.net/weixin_43850253/article/details/118220395

Genms
关注
目标检测系列算法复现1:Darknet-YOLO-CUDA11-OpenCV4（Ubuntu平台）
源代码杀手的博客
04-09 3215
你看到的如下模型系列将在后续的本博客文章中连载，欢迎学习，交流技术，分享心得。 目录1、darknet 论文及源码工程复现1.0、 开发环境配置1.1、工程获取与编译1.2、demo测试2、makefil文件解析2.0、GPU(CUDA-CUDNN)2.0.1、CUDNN+CUDA11.1调用2.0.2、GPU算力修改2.0.3、g++ makefile编译需要添加的参数2.0.4、OpenCV4版本号或者安装位置的调用接口修改第一处修改位置 调用opencv4指定的安装依赖及动态库位置目录第二处修改位
Windows10+cuda11.0+Opencv3.4.0+yolov4+darknet环境下的物体检测
weixin_43325374的博客
07-02 1518
任务分析 首先让我们明确一下本次的任务：用 gun/sword 数据集训练你的物体检测模型，并对数据集中的验证集进行检测，计算出 mAP。 然后，大致了解一下需要完成的环境配置。看了一下，本次任务是由Windows10 + VS + OpenCV+yolo+darknet一起完成的，还得下载标记工具vott和目标检测指标mAP。 下面开始操作。 附：电脑已提前安装好cudu,版本为11.0，具体如下： 一、 下载opencv3.4.0版本 这个版本是恰到好处的。 Releases - OpenCV 或R
darknet + yolov4 训练自定义数据集 + windows环境搭建
java_chc的博客
03-03 3490
windows系统下的 darkent 和 yolov4 训练环境搭建、训练过程问题记录。在工作实践中给出了自己的一点规范建议，希望能帮助搭建跨过这些坑点。
Darknet——yolo3训练自己的数据集+在ros环境下实现目标检测实战教程（一）——环境配置
weixin_46187561的博客
08-24 2136
文章目录 前言 一、Darknet简介 二、环境要求 三、准备工作 四、正式安装 安装显卡驱动 安装cuda 总结 前言 这是基于轻量级深度学习框架darknet的yolo3模型实践在ros平台下实现训练自己的数据集来进行目标识别的过程记录。本文主要手把手带你配置darknet框架需要的环境配置。 一.Darknet简介： Darknet是一个轻量级深度学习框架，是一个完全基于C与CUDA的开源深度学习框架，其主要特点就是容易安装，在makefile里面选择自己
darknet 硬件软件环境的设置和检测
一千零一夜的博客
07-29 506
代码】darknet硬件软件环境的设置和检测。
win10下 darknet 编译安装(opencv with cuda)
zhms的专栏
01-15 1098
下载源码 git clone https://github.com/AlexeyAB/darknet.git 到 d:\proj\darkent，相比 https://github.com/pjreddie/darknet.git 版本，更方便windows下编译安装 安装 Visual Studio 2015/2017/2019 安装 CMake >= 3.8 for modern CU...
Windows搭建Darknet框架环境-Yolov4-GPU
乐观的lishan的博客
11-18 5878
第一步：下载darknet的Windows源码 github官方链接：https://github.com/AlexeyAB/darknet 我已经搬移到gitee：lishan/darknet 源码项目中有介绍如何在windows上安装darknet Requirements for Windows, Linux and macOS CMake >= 3.18: Download | CMake Powershell (already installed on windows
YOLOV3在win10+VS2015+darknet环境下的学习运用----------二、训练自己的数据集
weixin_43012674的博客
11-13 723
在win10上使用darknet成功运行yolov3的demo后 ，发现对于yolov3使用darknet比使用tf好用得多，训练自己数据集 步骤如下 1·准备数据集 自己标注自己的数据集，我用的是LabelImg，win10下载地址 每一个图片名对应的有一个相应名字的label.xml。 之后在scripts文件夹下的VOC2007文件夹中Images放所有的训练图片，annotation放所有...
Windows版YOLOv4-tiny目标检测实战：训练自己的数据集
06-21
需要学习Ubuntus系统YOLOv4-tiny的同学请前往《YOLOv4-tiny目标检测实战：训练自己的数据集》 YOLOv4-tiny来了！速度大幅提升！ YOLOv4-tiny在COCO上的性能可达到：40.2% AP50, 371 FPS (GTX 1080 Ti)。相较于...
darknet训练yolov7-tiny(AlexeyAB版本)
07-18
因darknet框架下的模型训练，相对pytorch框架训练成本低，且作者也提供了darknet框架下的配置文件和预训练模型，本人也在评估darknet框架下的v7-tiny模型，再次将AlexeyAB大佬开源的模型和配置文件上传，给自己做一...
darknet在windows10+VS2017+opencv3.4.1下编译与应用
08-22
darknet在windows10+VS2017+opencv3.4.1（C++）下编译与应用，关于darknet更多信息可以参考官网： https://pjreddie.com/darknet/tiny-darknet/ 相关的资源可以直接在官网下载。
Ubuntu18.04配置darknet环境实现YOLOv4目标检测(二)——基于python进行YOLOv4 inference
01-20
目录1. 需要用的的库2. 加载网络3. 加载图片4. 可视化结果 完成上一篇https://blog.csdn.net/linghu8812/article/details/100867702YOLOv4环境配置后，可基于python进行YOLOv4的inference，查看YOLOv4的检测结果。需要用到的库有darknet目录下的darknet.py文件，以及编译出来的libdarknet.so。 1. 需要用的的库 import os import cv2 import numpy as np import random import darknet 需要导入的库主要是opencv-
darknet版YOLOv4官方权重文件yolov4-tiny.conv.29
02-27
darknet版YOLOv4官方权重文件，包括： 1、yolov4.weights 2、yolov4.conv.137 3、yolov4-tiny.conv.29 4、yolov4.conv.137.pth 5、yolo4_weights.pth
YOLOv4-tiny目标检测实战：训练自己的数据集
06-21
需要学习Windows系统YOLOv4-tiny的同学请前往《Windows版YOLOv4-tiny目标检测实战：训练自己的数据集》 YOLOv4-tiny来了！速度大幅提升！ YOLOv4-tiny在COCO上的性能可达到：40.2% AP50, 371 FPS (GTX 1080 Ti)。...
yolov4-tiny预训练模型和权重weigths cfg 文件.rar
07-23
YOLOv4-tiny采用了 Darknet 框架，这是一个轻量级的深度学习框架，特别适合于嵌入式设备和实时应用。与YOLOv4相比，它减少了网络的深度和宽度，以实现更快的推理速度，但牺牲了一部分准确率。 2. **yolov4-tiny....
YOLOv3从0到1：darknet环境配置
sinat_29634715的博客
03-23 1659
本文所有内容都是参考这篇github，很有参考价值 https://github.com/AlexeyAB/darknet 一、darknet环境配置 1、本人硬件NVIDIA 1070 Ti，GPU配置详见这边博客： https://blog.csdn.net/weixin_39290638/article/details/80045236 2、下载OpenCV，点击exe解压缩即可，...
win10下cmd运行已经训练好的darknet模型
haimianjie2012的专栏
04-12 971
1.win10跑darknet模型通过cmd 输入CMD指令 cmd模式，在x64路径下—— 训练：darknet classifier train data/METAL/metal.data data/METAL/darknet19_448.cfg pretrained_weights/darknet19_448.conv.23 验证：darknet classifier valid da...
Win10配置Darknet框架（安装环境、软件下载、编译动态库、训练）超详细汇总！！！
Schling的博客
03-09 1447
step1 运行环境和前期准备 一、基础环境 1、Windows 10 64位 2、Visual Studio 2015 Professional 已经安装好的自动忽略，有需要的可以去我的百度网盘上下载： 链接：https://pan.baidu.com/s/1fD9s4A40aUrGX_hLQI2WvA 密码：grdg 3、OpenCV 3.4.0 https://opencv.org/releases.html 原则上OpenCV3.0以上版本都可以，但是还是建议使用3.4.0及以下版本，3.4.
在ubuntu18.04配置darknet（opencv+cuda+cudnn）
最新发布
Lewis的博客
07-17 868
darknet安装教程
darknet训练yolov4-tiny
06-28
### 回答1： 1. 首先，需要准备好训练数据集和标注文件，可以使用标注工具如LabelImg等进行标注。 2. 接着，需要下载darknet框架和yolov4-tiny模型的权重文件。 3. 在darknet目录下，修改配置文件yolov4-tiny.cfg，将其中的batch、subdivisions、classes、filters等参数根据自己的数据集进行修改。 4. 将训练数据集和标注文件放入darknet/data目录下。 5. 在命令行中输入以下命令进行训练： ./darknet detector train data/obj.data cfg/yolov4-tiny.cfg yolov4-tiny.weights 6. 训练过程中可以通过命令行输出的信息来观察训练情况，也可以使用工具如TensorBoard等进行可视化。 7. 训练完成后，可以使用训练好的模型进行目标检测，具体方法可以参考darknet官方文档。 ### 回答2： Darknet是一种流行的开源深度学习框架，它支持各种计算机视觉任务，例如对象检测、分类、语义分割等。Yolov4-tiny是一种基于深度神经网络的对象检测模型，其速度和准确性优于之前的版本，由于其轻量级的特性，适合在边缘设备上进行部署。在使用Darknet训练Yolov4-tiny时，需要以下几个步骤。 1. 数据集准备和标注 准备和标注数据集是深度学习的第一步。数据集包括许多图像，每张图像上都标有框框来标注出对象的位置，同时还需要给每个对象打上标签。这通常需要使用专业的工具，例如LabelImg或VIA。数据集的质量和数量对于模型的准确性至关重要。 2. 修改配置文件 在训练模型之前，需要使用配置文件指定许多参数，例如学习率、训练迭代次数、批量大小等。这些参数的设置将直接影响模型的性能和训练时间。在Yolov4-tiny的配置文件中，将输入图像的大小设置为416x416，并且根据自己的数据集修改标签类别数量、训练、验证和测试集路径等参数。此外，还可以尝试调整不同的超参数来改进模型性能。 3. 下载预训练权重 通常情况下，可以使用预训练的权重来加速模型的训练。在Yolov4-tiny的情况下，可以从官方网站下载预训练的权重，并将其作为初始权重进行训练。 4. 开始训练模型 完成配置文件和权重下载后，可以使用Darknet开始训练模型。在命令行中输入相应的命令，包括配置文件路径、权重路径、数据集路径等。训练过程可能需要几个小时到几天，具体时间取决于数据集的大小和复杂性。 5. 评估训练模型 当模型训练完成后，可以使用测试集对模型进行评估，查看其在不同指标下的表现，例如mAP(mean average precision)。评估结果可以帮助了解模型训练的效果，以及在实际应用中模型的性能如何。 6. 部署模型 最后，可以将训练好的模型部署到边缘设备上进行使用，例如实时对象检测和跟踪。在部署模型时，需要考虑设备的性能和存储容量，并根据具体需求进行优化，例如芯片加速、量化等。 ### 回答3： YoloV4-tiny是一种物体检测算法模型，其可用于实现高效的实时目标检测应用。而darknet则是实现该模型训练的深度学习框架，其可在Linux和Windows平台上运行。下面将详细介绍darknet训练YoloV4-tiny的步骤和方法。 首先，需要在计算机上安装darknet，可通过下载源代码后进行编译安装，也可直接使用已编译好的可执行文件。安装成功后，需要下载训练用的数据集，并将其转换为darknet可用的格式，通常为txt格式的标注文件和jpg格式的图片。将数据集放入darknet目录下的data文件夹中。 接下来，需要准备好yolov4-tiny的配置文件。配置文件包括模型参数、训练参数、数据集路径等，可参照darknet自带的yolov4-tiny.cfg文件进行设置。其中，需要注意的是网络结构的参数需要与数据集的类别数目对应，否则会导致训练结果不准确。另外，还需设置学习率、批次大小、迭代次数等训练参数。 完成配置文件的设置后，就可开始训练模型了。在命令行中输入训练命令，如“./darknet detector train data/obj.data cfg/yolov4-tiny.cfg yolov4-tiny.weights -gpus 0,1”，其中参数含义分别为：数据集路径、配置文件路径、预训练权重路径、使用GPU设备和数量。 训练过程中，darknet会输出每一轮训练的损失值和预测精度，可通过观察损失值变化来判断训练进展情况。训练完成后，会在darknet目录下生成新的权重文件，可用于实际应用。 总的来说，训练YoloV4-tiny需要准备好数据集、配置文件和训练参数，并在darknet中进行训练。训练过程需要耗费一定时间和计算资源，但能得到高效、准确的检测模型，适用于各种物体检测应用。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值