Darknet （检测自定义对象）安装并使用自己的数据集进行训练完整步骤

一、安装darknet
1、执行以下命令安装：

git clone https://github.com/AlexeyAB/darknet.git
cd darknet
make

2、根据官网步骤，进行相关参数的修改即可（以下步骤是参考官网步骤），官网连接：https://pjreddie.com/darknet/install/
使用CUDA编译，修改Makefile文件，将GPU=0和CUDNN=0改为1：

cd darknet
vim Makefile

按“i”键进行插入修改，“Esc”键退出插入，输入“：wq” 后按“回车键”保存并退出就行了。（下图是我修改后的Makefile，在这我还修改了OPENCV，如果你安装了opencv的话，也可以使用这个编译），修改完之后，再make一次

3、安装opencv
安装方法写在之前的文章中：https://blog.csdn.net/baidu_41906969/article/details/116001511
详细训练步骤，参考作者的git：https://github.com/AlexeyAB/darknet

二、将自己的数据集转换成darknet需要的数据格式

三、下载预训练模型
我使用的是yolov4预训练模型yolov4.conv.137。

四、配置训练要使用的cfg文件
1、建议将 darknet/cfg/yolov4.cfg，copy一份，重命名（可自命名），我取为yolo-obj.cfg；
2、建议修改新建的cfg文件中的 subdivisions=64（原文件subdivisions=8，运行的时候会报错，这是根据自己的电脑的配置进行修改的）；
如果想要训练的时候GPU使用率高一点的话，可以相应的改小subdivisions；
根据以下指令显示出当前GPU的所有基础信息

nvidia-smi

我一般训练将subdivisions=4，GPU使用率基本在80%以上，显存使用量为4G左右。

3、根据需要，修改height、width和第一个max_batches（因为我训练的是两个类，一般一个类2000次，我这设的4000，同时修改steps=0.8max_batches，0.9max_batches），learning_rate开始训练前一般设置在0.001~0.01；

[net]
# Testing
#batch=1
#subdivisions=1
# Training
batch=64
subdivisions=64
width=416
height=416
channels=3
momentum=0.949
decay=0.0005
angle=0
saturation = 1.5
exposure = 1.5
hue=.1

learning_rate=0.009
burn_in=1000
max_batches = 4000
policy=steps
steps=3200,3600

4、修改[yolo]前一个[convolutional]的filters以及[yolo]下的classes，分别有三处需要修改：filters = （classes + 5）* 3，我是2个类，所以是21，3是yolo层的个数，大模型是3个yolo层。

[convolutional]
size=1
stride=1
pad=1
filters=2
activation=linear


[yolo]
mask = 0,1,2
anchors = 12, 16, 19, 36, 40, 28, 36, 75, 76, 55, 72, 146, 142, 110, 192, 243, 459, 401
classes=2

五、配置相关文件
1 在 darknet/build/darknet/x64/data 中创建以下文件：
1）obj.name：
存放训练的类别名

2）weights（文件夹）：
存放权重文件

3）train（文件夹）：
文件夹里的内容为JPEGImages（将需要训练的图片放该文件夹）、labels（生成的darknet格式的.txt文件）。

如果没有改darknet的src/utils.c文件的话，需要将labels的.txt文件与图片放到一个文件夹（JPEGImages）下，不然训练的时候会can’t open file。

修改darknet的src/utils.c之后就可以分开放，修改275行，将注释去掉：

修改后：

5）test（文件夹）：
文件夹里存放测试用的图片。

6）train.list、test.list：
在 darknet/build/darknet/x64/data 文件夹下打开终端，执行以下命令，会在 该文件夹下生成train.list、test.list文件。如果图片格式是png，可将命令中的.jpg改为.png，：

find `pwd`/train -name \*.jpg > train.list
find `pwd`/test -name \*.jpg > test.list

7）obj.data：
存放需要读取的文件的地址

六、开始训练模型
1、在darknet文件夹下打开终端，执行以下命令开始训练：
根据自己的存放地址修改obj.data、yolo-obj.cfg、yolov4.conv.137的路径。
2、如果是多GPU训练，可多加-gpus 0,1，2…单GPU则不需要
3、如果想保存训练日志：在命令后加2>&1 |tee build/darknet/x64/log/yolo.logs

./darknet detector train build/darknet/x64/data/obj.data cfg/yolo-obj.cfg build/darknet/x64/yolov4.conv.137 -gpus 0,1

开始训练后，会显示以下两张图（这里上传的是训练的别的类别9000次的截图）。

Region xx: cfg文件中yolo-layer的索引；
Avg IOU:当前迭代中，预测的box与标注的box的平均交并比，越大越好，期望数值为1；
Class: 标注物体的分类准确率，越大越好，期望数值为1；
obj: 越大越好，期望数值为1；
No obj: 越小越好；
.5R: 以IOU=0.5为阈值时候的recall; recall = 检出的正样本/实际的正样本
0.75R: 以IOU=0.75为阈值时候的recall;
count:正样本数目。

2、在darknet文件夹下打开终端，执行以下命令开始预测：
上一步训练好后，会在weights 文件夹中生成权重文件，根据训练时显示的loss图，选择一个loss值最低的权重文件进行预测（同样修改相关文件的地址）。
如果想设置阈值可加 -thresh 0.6（0.6是显示预测值大于60%的标签）

./darknet detector test build/darknet/x64/data/obj.data cfg/yolo-obj.cfg /home/wst/darknet/build/darknet/x64/data/weights/yolo-obj_final.weights /home/Pictures/0d2f72e8-3c81-463e-8d1a-b0a4da940b23.jpg -thresh 0.6