darknet在windows上的安装，以及利用yolo训练自己的训练集并测试

最新推荐文章于 2024-10-11 07:01:57 发布

零点xu

最新推荐文章于 2024-10-11 07:01:57 发布

阅读量2.1k

点赞数 25

文章标签： YOLO 深度学习人工智能

本文链接：https://blog.csdn.net/qq_38348811/article/details/129916880

版权

环境搭建

1.darknet下载

官网：GitHub - pjreddie/darknet: Convolutional Neural Networks

2.安装环境vs2019

Visual Studio 产品系列文档 | Microsoft Learn

3.cuda+cudnn

CUDA安装教程（超详细）_Billie使劲学的博客-CSDN博客

4.opencv安装

Releases - OpenCV

切记最好是将这些加载到环境变量中 ，如果加完不行可能要重启电脑重新激活环境变量

开始配置和安装

1.用文本文档打开darknet.vcxproj文件修改cuda版本号，yolo_cpp_dll，yolo_console_dll.同样如此有两处需要修改（win10 下darknet+yolo(gpu版本）安装配置 | 码农家园）（【全网最全最完整】windows下darknet安装搭建与模型训练方法【亲测有效】_SHU_RYE的博客-CSDN博客）

2.若遇到BuildCustomizations\CUDA下没有CUDA

错误 MSB4019 未找到导入的项目“C:\Program Files (x86)\MSBuild\Microsoft.Cpp\v4.0\V140\BuildCustomizations\CUDA 9.2.targets

vs2019中自定义生成依赖项没有CUDA10.1_vs生成依赖项没有cuda_a7_aaaaa的博客-CSDN博客

错误 C1083 无法打开包括文件: “cudnn.h

则表示没有安好Cudnn或者cudnn没有放到CUDA目录下不在环境变量中

（https://developer.nvidia.com/rdp/cudnn-download）

LINK : fatal error LNK1104: 无法打开文件“opencv_world400d.lib”---VS2017+OpenCV配置过程

则是opencv环境变量的问题

LINK : fatal error LNK1104: 无法打开文件“opencv_world400d.lib”---VS2017+OpenCV配置过程_无法打开opencv_world410d.lib_且小强的博客-CSDN博客

3.Could not locate zlibwapi.dll. Please make sure it is in your library path

Could not locate zlibwapi.dll. Please make sure it is in your library path_Chaos_Happy的博客-CSDN博客

都没问题的话就通过以下来测试以下效果，权重文件可以在AB的guithub下到或者链接：https://pan.baidu.com/s/1leFA14UQQVStEBKlFnRzVw 提取码：u7k1

YOLOv4 darknet windows10版本训练自己的数据教程_BOOK肆意~的博客-CSDN博客

darknet.exe detector test data/coco.data cfg/yolov4.cfg backup/yolov4.weights

数据集准备

就是将VOC数据集格式转成YOLO的数据集格式,其中VOC数据集和COCO数据集的搭建参考

制作COCO格式数据集_coco格式数据集制作流程_小何要努力613的博客-CSDN博客

VOC数据集是前三个目录

Imageset中的Main文件为：

# coding=utf-8
import os
import random

xmlfilepath = r'E:/majordata/mymajor/xiaz/gpr/try/VOC/hyperboloid/Annotations/'  # xml文件的路径
saveBasePath = r'E:/majordata/mymajor/xiaz/gpr/try/VOC/hyperboloid/ImageSets/'  # 生成的txt文件的保存路径

trainval_percent = 0.9  # 训练验证集占整个数据集的比重（划分训练集和测试验证集）
train_percent = 0.8  # 训练集占整个训练验证集的比重（划分训练集和验证集）
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

print("train and val size", tv)
print("traub suze", tr)
ftrainval = open(os.path.join(saveBasePath, 'Main/trainval.txt'), 'w')
ftest = open(os.path.join(saveBasePath, 'Main/test.txt'), 'w')
ftrain = open(os.path.join(saveBasePath, 'Main/train.txt'), 'w')
fval = open(os.path.join(saveBasePath, 'Main/val.txt'), 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftrain.write(name)
        else:
            fval.write(name)
    else:
        ftest.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

yolo需要的labels文件夹生成代码为：

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join

sets=[('2007', 'train'), ('2007', 'val'), ('2007', 'train'), ('2007', 'val'), ('2007', 'test')]

classes = ["hyperboloid"]


def convert(size, box):
    dw = 1./size[0]
    dh = 1./size[1]
    x = (box[0] + box[1])/2.0
    y = (box[2] + box[3])/2.0
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x*dw
    w = w*dw
    y = y*dh
    h = h*dh
    return (x,y,w,h)

path = os.getcwd()
def convert_annotation(year, image_id):
    in_file = open(path+'/VOCdevkit/VOC%s/Annotations/%s.xml'%(year, image_id))
    out_file = open(path + '/VOCdevkit/VOC%s/labels/%s.txt'%(year, image_id), 'w')
    tree=ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)

    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
        bb = convert((w,h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')

wd = getcwd()

for year, image_set in sets:
    if not os.path.exists('VOCdevkit/VOC%s/labels/'%(year)):
        os.makedirs(path+'/VOCdevkit/VOC%s/labels/'%(year))
    image_ids = open('VOCdevkit/VOC%s/ImageSets/Main/%s.txt'%(year, image_set)).read().strip().split()
    list_file = open('%s_%s.txt'%(year, image_set), 'w')
    for image_id in image_ids:
        list_file.write('%s/VOCdevkit/VOC%s/JPEGImages/%s.jpg\n'%(wd, year, image_id))
        convert_annotation(year, image_id)
    list_file.close()

建立相关文件YOLOv4 darknet windows10版本训练自己的数据教程_BOOK肆意~的博客-CSDN博客

训练和测试和摄像头实时

Windows下使用Darknet训练自己的数据集（模型：yolov4-tiny、数据集：垃圾分类）_yolov4-tiny训练自己的数据集_非非非非常时刻的博客-CSDN博客

detector表示进行目标检测
demo表示实时监测

第三个参数是.data的相对地址
第四个参数是.cfg的相对地址
第五个参数是.weights的相对地址
-c 0 表示使用摄像头0号

darknet.exe detector test data/voc.data cfg/yolov4-custom.cfg backup\yolov4-custom_best.weights

darknet.exe detector train data/voc.data cfg/yolov4-custom.cfg backup\yolov4-custom_best.weights

darknet.exe detector demo data/voc.data cfg/yolov4-custom.cfg backup\yolov4-custom_best.weights -c 0