配置yolov4-tiny在ubuntu20.04上手把手教程

配置yolov4-tiny在ubuntu20.04上手把手教程

利用anaconda创建虚拟环境（可跳过）

这步其实也可以跳过，但是为了更规范的管理和长远考虑，有必要做一下。因为我就是第一次配置失败然后怒而重新创建虚拟环境的

conda create -n yolov4t python=3.8

python3.8比较舒服，3.7可能装不上pytorch

pytorch 下载

官网
在官网上选择你对应的cuda版本的pytorch，然后复制命令行，推荐选择pip
如果你是按照我的教程，应该安装11.8的cuda
torchvision 应该是一起下载的，不需要单独安装

环境 依赖 库下载

sudo apt-get install python3-pip libopenblas-base libopenmpi-dev libomp-dev
pip3 install 'Cython<3'
pip3 install numpy
pip3 install matplotlib tensorboard tqdm Pillow scipy

不是很全，但是没关系，之后报错缺少什么库就pip install

opencv下载

pip3 install opencv-python

yolov4-tiny配置

git clone https://github.com/bubbliiiing/yolov4-tiny-pytorch.git

将训练集的图片放入/yolov4-tiny-pytorch/VOCdevkit/VOC2007/JPEGImages中（jpg)
将标签文件放入/yolov4-tiny-pytorch/VOCdevkit/VOC2007/Annotations中 (xml)
注意：是把图片文件和标签文件放入，不是把文件夹放入
在model_data文件夹下新建drone_classes.txt，输入以下文字即可
drone
打开voc_annotation.py，修改classes_path为’model_data/drone_classes.txt’，保存并运行，这样数据集和验证集的分割文件就生成好了（可以看到主目录下的2007_train.txt和2007_val.txt中的内容更新了）

训练数据集

接下来就是训练了，首先修改train.py中的参数

**classes_path** = 'model_data/drone_classes.txt' 
cuda=1

如果报错了，试试看cuda=0，这样用cpu跑出错概率小一点
训练完成后，使用自己训练的权重文件时，要在yolo.py里面修改model_path和classes_path