YOLOv4配置和训练

YOLOv4配置和训练

下载地址：https://github.com/AlexeyAB/darknet

依赖环境

• CMake >= 3.12
• CUDA >= 10.0
• cuDNN >= 7.0
• OpenCV >= 2.4
• GPU with CC >= 3.0
• on linux GCC or Clang, on Windows MSVC 2017/2019

编译

目录下修改 Makefile 文件，按照需要选择是否打开相应的选择：

• GPU = 1
• CUDNN = 1
• CUDNN_HALF = 1
• OPENCV = 1
• DEBUG = 1
• LIBSO = 1
• ZED_CAMERA = 1

make 即可。

测试

测试一下安装环境是否完好。

./darknet detect cfg/yolov4.cfg yolov4.weights data/dog.jpg

修改相关数据集

https://github.com/VisDrone/VisDrone-Dataset

使用的数据集已经标注好，需要修改相关格式符合YOLO训练的要求。

YOLO训练需要的数据如下：

• 待训练图像images

• 和图像同名的 txt 文件, 内部格式要求 <object-class> <x_center> <y_center> <width> <height>

  • <object-class> 目标的类别，0 ~ classes - 1

  • <x_center> <y_center> <width> <height> - float values relative to width and height of image, it can be equal from (0.0 to 1.0]，计算bounding box 关于整图的比例，即中心点的位置以及bounding box 的长宽/图像长宽。

    举个例子：<x> = <absolute_x> / <image_width> or <height> = <absolute_height> / <image_height>

    一个txt里面的内容可能是：

    1 0.716797 0.395833 0.216406 0.147222
    0 0.687109 0.379167 0.255469 0.158333
    1 0.420312 0.395833 0.140625 0.166667
    

• 一个总览的 train.txt ，里面存放所有图像的路径，如下。程序根据路径就可以找到图片以及对应的txt。

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

• 一个 obj.names 文件，里面存放需要训练的物体的类别，一行一个，诸如：

  car
  bicycle
  motor
  ...
  

• 一个 obj.data 文件，总览上述所有文件

  classes = 2  #类别数目
  train  = data/train.txt  # 图像路径，可以找到jpg和对应的txt
  valid  = data/test.txt
  names = data/obj.names  #类别名字
  backup = backup/ #存放训练结果
  

但是，下载的数据集的格式如下：

684,8,273,116,0,0,0,0
406,119,265,70,0,0,0,0

<bbox_left>,<bbox_top>,<bbox_width>,<bbox_height>,     ,<object_category>
=========================================================================================
    Name                                                  Description
-----------------------------------------------------------------------------------------  <bbox_left>	  The x coordinate of the top-left corner of the predicted bbox

<bbox_top>	   The y coordinate of the top-left corner of the predicted object bbox

<bbox_width>   The width in pixels of the predicted object bounding box

<bbox_height>  The height in pixels of the predicted object bounding box

<score>	       The score in the DETECTION file indicates the confidence of the predicted bounding box enclosing an object instance. The score in GROUNDTRUTH file is set to 1 or 0. 1 indicates the bounding box is considered in evaluation, while 0 indicates the bbox will be ignored.
                      
<object_category>    The object category indicates the type of annotated object, (i.e., ignored regions(0), pedestrian(1), people(2), bicycle(3), car(4), van(5), truck(6), tricycle(7), awning-tricycle(8), bus(9), motor(10), others(11))
                                    

已知的类别有：

regions(0), pedestrian(1), people(2), bicycle(3), car(4), van(5), truck(6), tricycle(7), awning-tricycle(8), bus(9), motor(10), others(11)

相关文件

1.复制文件yolov4-custom.cfg改名为yolo-obj.cfg，并修改关于类别的参数。

2.build\darknet\x64\data\目录下创建obj.names，每个对象名称都在新的一行

3.build\darknet\x64\data\目录下创建obj.data

4.将对象的图像文件（.jpg）放在目录 build\darknet\x64\data\obj\中

5.build\darknet\x64\data\目录下创建train.txt包含所有图片的路径以及名称

6.下载卷积层的预训练权重yolov4.conv.137并放入目录 build\darknet\x64中

7.训练命令： ./darknet detector train data/obj.data yolo-obj.cfg yolov4.conv.137

8.训练完成后，从路径build\darknet\x64\backup\获取结果yolo-obj_final.weights。

制作自己的数据集。

首先对于我们拍摄的图像，要进行标定，使用软件 labelImg 得到标定后的文件为 .xml格式，利用一个Python脚本将其转化为.txt格式。

之后数据集的制作如上所述。