谷歌Colab训练自己YOLOv3数据集

简介

在迫不得已使用windows作为自己训练数据环境的情况下，可能会遇到以下问题：

• windows下配置相关环境较为复杂
• 自己电脑的GPU算力较低或者不支持cuda，GPU显存不足

在此情况下，推荐使用云GPU来实现数据的训练，而Google的Colabortory就提供免费的云端GPU计算服务，并且提供的云服务器中已经配置好了所需的cuda、cudnn、opencv等相关所需。但是colab所分配的云GPU，在12个小时后会回收（据说），在训练时最好挂载谷歌云盘，并将必要文件进行储存。

yolov4相关

基于项目https://github.com/AlexeyAB/darknet，此项目的维护者在YOLO系列(v1-v3)作者 Joe Redmon 宣布不再继续CV方向的研究后接管并更新了yolov4。虽然项目在4.24更新了yolov4的相关内容，但是之前的版本的yolov3仍可以正常使用，在经过我的最新验证，此文章仍可正常应用。
自己最近也运行了yolov4并对自己的数据集进行了训练，yolov4的训练使用流程和此部分的yolov3如出一辙，训练测试所需的相关文件类型相同，所需要更改的不过更换yolov4.cfg和下载yolov4的预训练权重。
具体详见：https://blog.csdn.net/longlong068/article/details/105791941

谷歌Colab的使用

1. 首先需要创建谷歌云盘账号：https://drive.google.com

2. 打开谷歌云盘

   

   右键选择创建一个Colab的.ipynb文件，如果没有上图的Googel Colab选项，点击关联更多应用添加。

3. 将.ipynb文件装载谷歌云盘，方便Googel云盘和Colab分配的云GPU进行文件相互传输。

   

   点击装载Google云端硬盘，或者直接在左边的命令行输入指令进行装载，指令如下：

   from google.colab import drive
   drive.mount('/content/drive')
   

   装载成功后可见：

   

   其中的My Drive中的文件即为Google云盘中的文件。

4. 在生成的ipynb文件中进行设置GPU可用、项目的git、训练等后续操作。

运用Colab训练自己的Yolov3数据集

此部分的Yolov3项目基于https://github.com/AlexeyAB/darknet。
也是现在最新的yolov4的项目地址~

1.设置GPU可用

2.clone项目构建Darknet

git clone项目

输入并运行以下命令来git项目：

!git clone https://github.com/AlexeyAB/darknet

成功后在左边的文件列表可以找到项目文件darknet。

修改项目的makefile文件，使编译生成的程序可以使用GPU和OpenCV

运行以下命令，将会自动修makefile

# 修改makefile 将OpenCV和GPU设置为可用
%cd darknet
!sed -i 's/OPENCV=0/OPENCV=1/' Makefile
!sed -i 's/GPU=0/GPU=1/' Makefile
!sed -i 's/CUDNN=0/CUDNN=1/' Makefile

验证CUDA版本

#验证CUDA版本
!/usr/local/cuda/bin/nvcc --version

输出结果如下：

编译项目生成darknet运行程序

!make

编译生成可执行文件darknet

3.运行demo显示bbox

此步只为了检验环境和编译成功与否，可以跳过此步直接训练自己的数据集。

下载训练好的coco数据集权重