Window环境下运行YOLO v4目标检测算法

YOLO v4是一种最新提出的目标检测算法，由Alexey Bochkovskiy提出，性能较原有算法基础上有较大幅度提高。

• 论文地址：https://arxiv.org/abs/2004.10934
• GitHub源码地址：https://github.com/AlexeyAB/darknet
• 运行环境：WIn7+CUDA10.0+Python3.6+VS2015（社区版）

作者提供了三种编译方式，我们选择第三种，同时也是YOLO v3和YOLO v2等使用的传统方式。

首先确定你的CUDA10已经正确安装，在cmd中运行：

nvcc -V

如果正确显示，进行接下来的步骤。

下载Opencv3.4，地址https://opencv.org/opencv-3-4.html，需要注意的是这不是Python-OpenCV。把以下路径加入到环境变量path中（需要修改为你自己安装的路径）

D:\Program Files\opencv\build\x64\vc14\bin
D:\Program Files\opencv\build\include\opencv2
D:\Program Files\opencv\build\include\opencv

去GitHub上下载原代码 https://github.com/AlexeyAB/darknet，文件组织如下所示

进入OpenCV安装目录 D:\Program Files\opencv\build\x64\vc14\bin下（需要修改为你自己安装的路径），复制opencv_ffmpeg340_64.dll和opencv_world340.dll到build\darknet\x64文件夹下。使用visual studio2015打开darknet.sln，最上面的两个值修改为Release和x64

然后在项目darknet上点开属性，修改包含目录、库目录和附加依赖项

 

 其中包含目录修改为：

库目录修改为：

附加依赖项修改为：

点击生成或重新生成，会经过漫长的等待，不出意外的话会编译成功

 编译成功后，在F:\code\YOLO\darknet\build\darknet\x64文件夹下会出现一个名为darknet.exe的可执行程序，至此已经成功90%了~

 

使用MS COCO训练好的模型进行检测

下载已经训练好的权重文件yolov4.weights，地址：yolov4.weights（可能会比较慢，博客最后提供这个文件）

在darknet.exe文件夹下新建一个名为weights的文件夹，用于存放权重文件，然后将yolov4.weights复制进去。在darknet.exe所在的文件夹下打开命令行（其中dog.jpg可以换成自己的图片），输入:

darknet.exe detector test cfg\coco.data cfg\yolov4.cfg .\weights\yolov4.weights .\data\dog.jpg

结果如图所示：

另外提供一下YOLO v3的版本，下载权重文件 yolov3.weights 到 weights文件夹下，同样可以生产目标检测结果。

darknet.exe detector test data\coco.data yolov3.cfg .\weights\yolov3.weights .\data\dog.jpg

使用自己的模型训练YOLO v4

（上图标签是我自己加的，好像颠倒了，懒得改了，无视掉吧~） 

所用数据集为口罩检测数据集，包括两类：普通人脸+戴口罩的人脸（博客最后提供图像+标签文档）

（1）下载预训练文件 yolov4.conv.137，放到build\darknet\x64文件夹下

（2）在darknet\build\darknet\x64\cfg文件夹下有一个名为yolov4-custom.cfg的文件，复制一份并改名为yolo-obj.cfg，复制到build\darknet\x64下。对其内容进行修改，修改规则如下：

batch=64
subdivisions=64   显存不足时，需要调高
max_batches     一般可以设置为classes*2000，但是不要低于4000, 比如如果你有三个类，那么设置 max_batches=6000
steps           两个值，一般为80%和90%的max_batches
width和height   必须能够整除32，比如416
classes         自己数据集类别的个数，在三个yolo层，共计三处
filters         修改为(classes+5)×3，在每个yolo layer前的卷积层，共计三处

例如，本实验中有两类，则max_batches=4000，steps=3200和3600，filters 改为（2+5）x3=21

 

（3）在build\darknet\x64\data\创建文件 obj.names , 每行一个类别的名称（可以参考已存在的openimages.names等）

（4）在build\darknet\x64\data\ 创建obj.data，（可以参考voc.data）

（5）将你自己的图片数据放在 build\darknet\x64\data\obj\文件夹下（obj需要自己创建）

里面的图像应该是这种成对的图像+txt标签，可以通过这个软件进行生成https://github.com/AlexeyAB/Yolo_mark

如果你有了xml标签，想要获得txt标签，可以参考训练YOLO v4模型时，xml格式转txt格式（博客最后提供了实验的txt标签）

（6）创建两个txt文件，其中train.txt表示训练集，test.txt表示验证集

build\darknet\x64\data\train.txt

build\darknet\x64\data\test.txt

两个txt文件内容应该如下，其中img1.jpg等表示的是在build\darknet\x64\data\obj\下图片

data/obj/img1.jpg
data/obj/img2.jpg
data/obj/img3.jpg
...

手动复制太麻烦，我写了一个脚本，其中路径需要根据实际修改，训练集和验证集比例可以自己去调整

import os;
import random
 
def listname(path,trainpath,testpath):
    filelist = os.listdir(path);  
    filelist.sort()
    f1 = open(trainpath, 'w');
    f2 = open(testpath, 'w');
    for files in filelist:  
        Olddir = os.path.join(path, files);  
        if os.path.isdir(Olddir): 
            continue;
        if "xml" not in str(files):
            if random.randint(0,9)>2:   #2表示一个比例，可以修改
                f1.write("data/obj/"+files);
                f1.write('\n');
            else:
                f2.write("data/obj/"+files);
                f2.write('\n');
    f1.close();
    f2.close();    
 
savepath="F:/code/YOLO/darknet/build/darknet/x64/data/"  #修改为自己的
trainpath = savepath+"/train.txt"
testpath = savepath+"/test.txt"
listname(savepath + "/obj",trainpath,testpath)
print ("Txt have been created!")

（7）开始训练，输入

darknet.exe detector train data/obj.data yolo-obj.cfg yolov4.conv.137

我的显卡是RTX2070，运行时提示显存不足，可以适当减少batch参数或者增加subdivisions参数。生成的模型在build\darknet\x64\backup文件夹下

运行一晚上，结果如下  

（8）进行测试，输入

darknet.exe detector test data\obj.data yolo-obj.cfg backup\yolo-obj_4000.weights .\data\mask.jpg

 并把命令中mask.jpg和yolo-obj_4000.weights 修改为你自己的数值

实验用到的数据

实验用到的需要下载的在https://download.csdn.net/download/qq_18483627/12378975