使用yolov4训练识别模型（作业）

1.使用yolov4-pytorch-master进行模型训练

实验步骤：

将数据集准备好图片放在yolov4-pytorch-master\VOCdevkit\VOC2007\JPEGImages中

用labelimg打的标签放在yolov4-pytorch-master\VOCdevkit\VOC2007\Annotations中

在yolov4-pytorch-master\model_data添加自己的识别类
 

                

更改路径

运行voc_annotation.py得到如图文件

去train.py中修改classes_path（我这边是fruit_classes.txt）

classes_path    = 'model_data/fruit_classes.txt'

运行train.py得到模型

修改yolo.py中的路径

model_path路径改成训练的模型路径

classes_path路径和前面改的路径相同

如果预测图片没出现框框就降低置信度（confidence）

.使用predict.py进行预测

输入图片路径

得到效果图

YOLOv4是一个高效且准确的目标检测模型，但它的训练过程需要一定的技巧和经验。在我使用YOLOv4进行训练的过程中，我学到了几个重要的经验教训：

1. 数据准备：数据的质量对模型的性能至关重要。确保训练集包含多样化的样本，并且标签准确无误。此外，对数据进行增强可以帮助提高模型的泛化能力。

2. 参数调整：YOLOv4有许多超参数需要调整，如学习率、批量大小、迭代次数等。通过反复尝试不同的参数组合，可以找到最优的训练配置。

3. 模型调优：除了训练参数外，模型的架构也可以进行调整以提高性能。尝试修改网络结构、添加额外的层或模块，可以使模型更适应特定的任务和数据集。

4. 硬件选择：YOLOv4的训练需要大量的计算资源，因此选择合适的硬件对训练效率至关重要。GPU是训练YOLOv4的最佳选择，而且要确保GPU内存足够大以容纳模型和数据。

5. 持续优化：训练模型并不是一次性的任务，持续监控模型性能并进行优化是必要的。通过定期评估模型在验证集上的表现，并进行调整和重新训练，可以不断提升模型的性能。