Yolov4模型训练规则和技巧

Yolov4模型训练技巧总结

Training Yolo v4 (and v3):

AlexeyAB官方github介绍:

训练对应的yolov4.cfg，cfg/yolov4-custom.cfg，cfg/yolov4-tiny.cfg，需下载对应的yolov4.conv.137，yolov4-tiny.conv.29 预训练模型

How to improve object detection:

1、修改cfg文件中设置 random=1 ，多尺度训练

2、提高网络分辨率，修改cfg文件中的尺寸(height=608,width=608 或者 任何32的倍数)，这将会提高精度，尺寸越大，会提高小目标的精度。

3、检查要检测的每个目标在数据集中是否都被强制标记 - 数据集中的所有目标都应该有标签。大部分训练的问题是数据集中有错误标签

4、我的loss很高，map很低，训练错了吗?

​ 在训练命令结尾加上 -show_imgs，训练是否能看到正确的目标标注框，如果不能——你的训练数据是错误的

5、保证样本的多样性。对于您想要检测的每个对象 - 在训练数据集中必须有至少1个相似且大致相同的对象:形状、对象的侧面、相对大小、旋转角度、倾斜、光照。理想情况下，数据集应包括在以下方面各不相同的对象：缩放，旋转，照明，从不同的侧面，在不同的背景上。

6、希望您的训练数据集包括您不想检测的 未标记对象的图像

7、标记物体最好的方法是什么：只标记物体可见的部分，还是标记物体可见和重叠的部分，还是标记比整个物体稍多一点(有一点间隙)？按你喜欢的方式标记-你希望它如何被检测到，就如何标记

8、对于训练的每张图片中有大量的目标，在.cfg文件最后的yolo层或region层加上max = 200或更高的值，YoloV3可以检测到的全局最大对象数为0.0615234375* (宽度 * 高度)，其中宽度和高度是cfg-file中[net]部分的参数

9、yolov4.cfg文件 对于小目标的训练(小目标是指：在图像被调整到416x416后小于16x16的目标)

• 设置 layers = 23 而不是 layers = 54 ：https://github.com/AlexeyAB/darknet/blob/6f718c257815a984253346bba8fb7aa756c55090/cfg/yolov4.cfg#L895

• 设置 stride = 4 而不是 https://github.com/AlexeyAB/darknet/blob/6f718c257815a984253346bba8fb7aa756c55090/cfg/yolov4.cfg#L892

• 设置 stride = 4 而不是 https://github.com/AlexeyAB/darknet/blob/6f718c257815a984253346bba8fb7aa756c55090/cfg/yolov4.cfg#L989

10、for training for both small and large objects use modified models:

• Full-model: 5 yolo layers https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov3_5l.cfg
• Tiny-model: 3 yolo layers: https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov3-tiny_3l.cfg
• YOLOv4: 3 yolo layers: https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov4-custom.cfg

11、如果您训练模型将左右对象区分为单独的类（比如，在路牌上左转/右转，左转/右转）需要禁用翻转数据增强：https://github.com/AlexeyAB/darknet/blob/3d2d0a7c98dbc8923d9ff705b81ff4f7940ea6ff/cfg/yolov3.cfg#L17

12、一般规则-你的训练数据集应该包括这样一组相对大小的对象，你想检测:

13、每一个:对象的模型，侧面，力，比例，每30度的转弯和倾角-这些是不同的对象从内部的神经网络的视角。因此，要检测的不同对象越多，就应该使用越复杂的网络模型。

14、为了使检测框更加准确，可以在每个[yolo]层中添加3个参数ignore_thresh = .9 iou_normalizer=0.5 iou_loss=giou，它将增加mAP@0.9，但减少mAP@0.5。

为了加速训练(降低检测精度)，在cfg文件中设置第136层的param stopbackward=1

15、除非你是神经检测网络的专家 - 否则需要根据数据集的宽度和高度重新计算anchers从cfg-file:

./darknet detector calc_anchors data/voc.data -num_of_clusters 6 -width 608 -height 608

16、通过在你的。cfg文件中设置(高度=608，宽度=608)或(高度=832，宽度=832)或(32的任意倍数)来增加网络分辨率——这增加了精度并使它能够增强小目标检测