Yolo实现目标检测

一、介绍Yolo4

YOLO (You Only Look Once)是一种实时目标检测算法，YOLO v4是其第四个版本。它使用单个神经网络来同时预测多个物体的边界框和类别。YOLO v4通过引入一些新的技术和优化来提高检测性能和速度，如使用更大的模型、改进的骨干网络、更高效的数据增强和训练技巧等。

二、使用环境

·NVIDIA GeForce RTX 3050 Laptop GPU
·torch==1.2.0
·Python3.8

三、配置运行环境及安装相关依赖

该实验需要用到以下几种包：

scipy1.2.1
numpy1.17.0
matplotlib3.1.2
opencv_python4.1.2.30
torch1.2.0
torchvision0.4.0
tqdm4.60.0
Pillow8.2.0
h5py==2.10.0

在安装包的时候使用镜像源会安装较快，给出几种常用镜像源：

豆瓣(douban)
http://pypi.douban.com/simple/

清华大学
https://pypi.tuna.tsinghua.edu.cn/simple/

四、数据准备

（一）下载数据集

VOC数据集下载地址如下，里面已经包括了训练集、测试集、验证集（与测试集一样），无需再次划分：
链接: https://pan.baidu.com/s/19Mw2u_df_nBzsC2lg20fQA
提取码: j5ge

（二）下载权重

训练所需的yolo4_weights.pth可在百度网盘中下载。
链接: https://pan.baidu.com/s/1oXz13QwLx1lnXct538qL2Q
提取码: 16qc
yolo4_weights.pth是coco数据集的权重。
yolo4_voc_weights.pth是voc数据集的权重。

五、数据准备

我们需要准备所需的图片数据，并将这些图片放入原项目的VOCdevkit文件夹内的VOC2007文件夹下的JPEGImages目录中。接下来，对于所添加的图片数据，我们需要进行标注工作。在这个过程中，我采用了labelImg_exe这一工具来辅助完成标注任务。

完成图片的标注后，需要将所有生成的标签文件妥善存放，具体操作为：将这些标签文件放置在VOCdevkit文件夹下的VOC2007文件夹中的Annotation目录内。

六、训练过程

训练的过程主要包括以下步骤：

（一）训练VOC07+12数据集

1. 数据集准备

   首先，使用VOC格式进行训练需要下载VOC07+12数据集，并将其解压至项目的根目录。

2. 数据集处理

   修改voc_annotation.py中的annotation_mode为2，然后运行此脚本，以生成根目录下的2007_train.txt和2007_val.txt文件，这两个文件分别用于指定训练和验证的数据集。

3. 开始网络训练

   train.py脚本的默认参数已针对VOC数据集进行了配置，因此只需直接运行此脚本即可开始训练过程。

4. 训练结果预测

   在训练完成后，使用yolo.py和predict.py进行结果预测。在yolo.py中，需要修改model_path和classes_path。model_path指向训练好的模型权重文件（通常位于logs文件夹内），而classes_path指向包含检测类别名称的文本文件。完成修改后，运行predict.py并输入待检测的图片路径即可进行预测。

（二）训练自己的数据集

1. 数据集准备

   若要使用自己的数据集进行训练，首先需要按照VOC格式制作数据集。这包括将图片文件放入VOCdevkit/VOC2007/JPEGImages文件夹，以及将对应的标签文件放入VOCdevkit/VOC2007/Annotation文件夹。

2. 数据集的处理

   准备好数据集后，再次利用voc_annotation.py脚本生成训练所需的2007_train.txt和2007_val.txt文件。此时，可能需要修改voc_annotation.py中的某些参数，尤其是classes_path，它应指向包含自己数据集类别的文本文件（例如model_data/cls_classes.txt）。在这个文件中，列出所有需要区分的类别，每个类别占一行。

   要修改voc_annotation.py中的classes_path以使其对应cls_classes.txt文件，请按照以下步骤操作：打开voc_annotation.py文件。查找classes_path变量，它通常位于文件的开始部分，用于指定类别文件的路径。将classes_path的值更改为cls_classes.txt文件的完整路径或相对路径，确保指向正确的文件。保存并关闭voc_annotation.py文件。运行voc_annotation.py脚本，它将使用指定的classes_path生成训练和验证数据集的文本文件。

3.开始网络训练

训练过程涉及多个参数，这些参数均在train.py脚本中设置。请仔细阅读脚本中的注释，以了解每个参数的作用。其中，classes_path是一个关键参数，它用于指向包含检测类别名称的文本文件。当使用自己的数据集进行训练时，务必修改train.py中的classes_path，确保它指向与voc_annotation.py中相同的cls_classes.txt文件。这是确保训练过程中正确识别类别的重要步骤。修改完classes_path后，运行train.py脚本开始训练过程。在训练过程中，模型会经过多个epoch的迭代，训练后的权重文件将保存在logs文件夹中。

4.训练结果预测

为了进行训练结果的预测，你需要使用yolo.py和predict.py这两个文件。在yolo.py中，你需要修改model_path和classes_path两个参数。model_path应该指向logs文件夹中保存的训练好的权重文件。这是模型进行预测时所需的关键组件。classes_path则应该指向与训练和voc_annotation.py中相同的cls_classes.txt文件，以确保预测时能够正确识别类别。完成这些修改后，运行predict.py脚本进行预测。在脚本运行时，你需要输入待检测图片的路径，然后脚本将使用训练好的模型对图片进行预测并输出结果。

  

 七、训练结果及预测

在运行predict.py文件后输入自己要预测图片的路径地址

如：

  

我设置了动物类的三个种类：cat、dog、panda其中cat和dog准确率较为高

以下是我的训练结果：

  

  

epoch_loss 损失曲线图：

  

红色实线表示训练损失（train loss）。

橙色实线表示验证损失（val loss）。

绿色虚线表示平滑后的训练损失（smooth train loss）。

橙色虚线表示平滑后的验证损失（smooth val loss）。

横轴标记为“Epoch”，范围从0到25。

纵轴标记为“Loss”，范围从0.0到15.0左右。

epoch_map 平均精度曲线图：

  

红色曲线代表“train_map”随“Epoch”变化的趋势。

横轴标记为“Epoch”，范围从0延伸至20.0。

纵轴标记为“mAP”，范围从0到0.14。

八、实验反思

在训练数据集过程，起初我的样本数量过小造成了测试时准确率不高，后来增加样本数量后又出现了训练时过于漫长，我设定的训练循环是三百次，七个小时仅训练了80次，后来在训练第八十次的 时候我暂停训练进行测试时，发现得到的准确率已经大多在82%-98%之间，如果训练循环次数足够多，数据集样本足够大则准确率会更高，但建议在时间充足的情况下进行训练。