yolo v4 图像识别学习之三——训练自己的数据集

参考链接：https://blog.csdn.net/csdn_zhishui/article/details/84962587
https://blog.csdn.net/weixin_44771532/article/details/105495755
https://www.cnblogs.com/monologuesmw/p/13035442.html

1、Pascal VOC & COCO数据集介绍

（参考：https://www.cnblogs.com/pprp/p/9629752.html
https://www.cnblogs.com/pprp/p/9629752.html）

2、自己的数据集制作（参考Pascal VOC 数据集制作）

（原则：仿照标准VOC数据集，先构建框架如下图所示的数据集框架）
2.0、创建相关目录
2.1、图片准备
以动物识别为例，（如猫&狗，每个种类100~150张即可）。把图片下载到D:\yolov3\ebike\cfg文件夹中（并使用脚本给他们按照0x6d.jpg的格式重命名）

2.2、用LabelImg标注图片。LabelImg下载地址：
https://github.com/tzutalin/labelImg。
（参考：https://blog.csdn.net/csdn_zhishui/article/details/84962587）
标注后生成XML文件
注：xml文件主要介绍了对应图片的基本信息，如来自那个文件夹、文件名、来源、图像尺寸以及图像中包含哪些目标以及目标的信息等等，内容如下：
2.3 运行脚本：getTextInMain.py
将数据分成训练集，测试集和验证集，其中比例可以在代码设置，
获取ImageSets/main 下的四个文件：

每个文件里主要存储图片名称：

2.3、获取voc格式标签（Xml数据转Voc数据集）

运行脚本：voc_label_2.py 将Annotation中数据转为labels中具体内容以及data目录下的train.txt，test.txt，val.txt，这里的train.txt与之前main文件夹中的区别在于，不仅仅得到文件名，还有文件的具体路径。
label中文件内容示例：

data下train.txt 文件内容示例：

至此数据集制作完成！

3.新建配置文件：

3.1、在data目录下新建voc.data，配置训练的数据，内容示例如下：

classes= 20
train  = data/train_voc.txt
valid  = data/2007_test.txt
#difficult = data/difficult_2007_test.txt
names = data/voc.names
backup = backup/

3.2 、在data目录下新建voc.names，配置预测的类别，内容为要预测的类别名称：

4.训练数据：

4.1、网络结构配置，在原工程下cfg目录下有很多的yolov4网络结构，因为用了yolov4-custom.cfg训练太吃显存，所以我本次采用的是yolov4-tiny.cfg

4.2、配置文件修改（见博客：）

4.3、下载预训练文件并训练模型
下载开源权重，并测试：
　　yolov4.conv.137:
　　使用与训练的权重进行测试：
　　./darknet detector train voc.data yolo-obj.cfg yolov4.conv.137 -map
训练成功后生成backup文件夹，内容如下：

4.4、检测
./darknet detector test cfg/voc.data cfg/yolov4-custom.cfg yolov4-custom_xxxx.weights

结果：