YOLOv4+tensorflow2.0训练自己的数据

一、环境配置

1.1 实验源码

在YOLOv4原文给出了基于Darknet的实验源码【下载地址】（若链接不可用，请自行复制下面这个网址：https://github.com/AlexeyAB/darknet），该源码核心部分是利用**C++**写的，但是大部分学习目标检测的人都习惯使用python语言，因为python语言提供了大量的框架，更加的简便。因此，要读懂这份源码可能会有一些困难。
为了方便其他研究者，作者在上述源码下方给出了基于其他框架的代码链接，当然也包括了基于tensorflow实现的源码【下载地址】，本篇文章使用的是tensorflow框架中的第一份源码。

下载后直接解压就行，解压出来是下面这样的：

1.2 环境要求

在本文使用的源码中，作者明确指出了，改源码使用的是tensorflow2.0版本，所以在实验之前，需要保证自己电脑上装的是2.0版本的tensorflow，如果你的电脑上装的是1.0版本的，则需要提升tensorflow的版本，因为2.0版本和1.0版本在一些函数的调用上会有所不同，如果使用1.0版本的tensorflow来运行该代码，改错会改到让你怀疑人生。所以，还是乖乖的换2.0版本吧！！！
这里我使用的tensorflow版本是2.3.0，搭配的Keras版本是2.3.1
我使用的是anaconda来搭建环境，主要步骤如下：

1.2.1 安装anaconda

anaconda的安装步骤见另一篇文章：Anaconda 安装教程

1.2.2 在anaconda中创建tensorflow2.0-gpu虚拟环境

为了不影响其他搭建好的编译环境，这里选择重新创建一个虚拟环境，在anaconda中创建虚拟环境的方法见另一篇文章：anaconda中创建虚拟环境

1.2.3 安装CUDA和cudnn

由于模型比较大，需要使用GPU进行训练，使用GPU训练就需要安装CUDA和cudnn，具体的安装方法可以参考我的另一篇文章：CUDA和cudnn的安装

1.2.4 1.4 安装tensorflow GPU版

由于模型比较大，需要在gpu下运行，所以在装tensorflow的时候需要装gpu版本的，由于该源码要求使用tensorflow2.0版本，所以这里我装的是tensorflow-gpu2.3.0
第一步：打开命令提示符
第二步：激活tensorflow2.0-gpu环境（我装的虚拟环境取名为tensorflow2.0-gpu），输入命令：

activate tensorflow2.0-gpu

第三步：安装tensorflow-gpu，输入命令：

pip install  tensorflow-gpu==2.3.0

然后就是等待安装完成，可能需要一定的时间。
第四步：测试tensorflow-gpu是否安装成功，接着上一步，先输入命令打开python编译环境:

python 

再输入命令导入tensorflow模块，需要注意的是，虽然装的是tensorflow-gpu，但是我们在导入模块的时候仍然使用的是tensorflow：

import tensorflow as tf

若能成功导入模块，则说明安装成功，否则就需要查看在哪里出了错，重新安装了。
另外还可以输入以下命令来查看tensorflow的版本：

tf.__version__

二、环境测试

在训练自己的数据集之前，先测试一下能不能利用作者训练的好的权重进行而检测。

2.1 下载权重文件

测试之前需要准备YOLOv4权重文件，可以去百度云自行提取，提取密码：o6hd
将下载的权重文件yolov4.weights放到tensorflow-yolov4-tflite-master\data文件夹下

2.2 权重文件转换

在这一步需要将前面下载的权重文件yolov4.weights转换成在tensorflow环境下使用的文件类型，打开命令提示符，进入主目录（tensorflow-yolov4-tflite-master\）：

输入下面的命令：

python save_model.py --weights ./data/yolov4.weights --output ./checkpoints/yolov4-416 --input_size 416 --model yolov4 

运行结束后，将会在tensorflow-yolov4-tflite-master\checkpoints文件夹下产生一个yolov4-416文件夹