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