Windows10系统下YOLOv4—Darknet训练过程

一.环境准备

Windows10+CUDA10.0+Opencv3.4.1+VS2017

PS：一定要先安装VS，再安装CUDA，不然会报错，因为这个bug我搞了大半天，还是晚上逛别人博客时才看到的。

以下内容需要用到的资源：
链接：https://pan.baidu.com/s/17bJF9qStqRw-P17Q2JyG9w
提取码：b66d
1.VS2017安装
https://msdn.itellyou.cn/
可以去这里下载，安装时选择基本的C++库即可。

2.Opencv安装
选择opencv3.4.1版本下载后得到opencv，双击打开，解压到一个目录得到opencv文件夹，

同时在系统环境变量中添加如下系统变量：


3.CUDA和CUDNN安装
点击CUDA10.0后直接双击安装，全部默认设置，一路安装到底。
待cuda安装完成后解压cudnn.zip文件，将解压后文件夹下的文件复制到cuda安装目录相应的文件夹下，cuda的安装会自动添加环境变量。


在cmd中运行如下命令，确保CUDA10正确安装（正确显示如下图）：

nvcc -V

二.配置yolov4-darknet-master源码

去GitHub上下载原代码 https://github.com/AlexeyAB/darknet
或者解压打开我发的资源包，如下：

进入Opencv安装目录 E:\aaazhou\opencv\build\x64\vc15\bin下（需要修改为你自己安装的路径），复制opencv_ffmpeg341_64.dll和opencv_world341.dll到build\darknet\x64文件夹下。使用visual studio2017打开E:\aaazhou\csdn_yolov4_darknet\darknet-master\build\darknet\darknet.sln，最上面的两个值修改为Release和x64

vc14指的是VS2015，vc15指的是VS2017，按照自己电脑上的版本来。

进行Opencv的配置






若没有报错，则表示成功了，在E:\aaazhou\csdn_yolov4_darknet\darknet-master\build\darknet\x64文件夹下会出现一个名为darknet.exe的可执行程序

PS：若报错了，可能是CUDA之类的问题，可能你用的CUDA10.1，需要在E:\aaazhou\csdn_yolov4_darknet\darknet-master\build\darknet\darknet.vcxproj修改相关的程序，具体报错可以百度，都能找得到答案。

三.运行YOLOv4的demo

在E:\aaazhou\csdn_yolov4_darknet\darknet-master\build\darknet\x64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

四.用YOLOv4训练自己的数据集

将预训练文件 yolov4.conv.137，放到build\darknet\x64文件夹下

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（这里参考网上大佬的博客）：

例如，本实验中有两类，则max_batches=4000，steps=3200和3600，filters 改为（2+5）x3=21。可以参考我当时运行的参数设置，如下：




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）

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

将要训练的图片数据放在 build\darknet\x64\data\obj\文件夹下（obj需要自己创建，放图片和标签文件）


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

用下面的程序进行训练集与测试集的拆分：

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 "txt" 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 = "E:/aaazhou/csdn_yolov4_darknet/darknet-master/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!")

开始训练，在E:\aaazhou\csdn_yolov4_darknet\darknet-master\build\darknet\x64目录下打开命令行，输入：

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

运行时如若提示显存不足，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
下面是我运行的结果：


进行测试，在darknet-master\build\darknet\x64文件夹下的命令行中输入

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

参考的博客：
https://blog.csdn.net/qq_18483627/article/details/105861365
https://blog.csdn.net/qq_28663849/article/details/107362445