win10 darknet yolov4 训练过程

目录

创建目录结构

下载需要的文件

一. 安装标注数据集工具LabelImg  

           1. 创建虚拟环境

           2. 激活虚拟环境

           3. 安装LabelImg

           4. 启动LabelImg 

二. 使用LabelImg标注图片

           1. Open Dir打开目录，选中图片

           2. Create RectBox框选目标

           3. 切换保存格式YOLO

           4. Change Save Dir切换保存结果到 darknet\x64\data\voc\VOCdevkit\VOC2007\labels ，结果是YOLO训练用到的 与图片关联的txt文件 和 类别文件classes.txt

三. 生成训练集文件 train.txt

四. 配置yolov4-obj.cfg

五. 配置yolov4-obj.data

六. 开始训练

七. 测试

---

 

创建目录结构

下载需要的文件

yolov4.conv.137 放到darknet-master\build\darknet\x64目录下

Anaconda3-2020.11-Windows-x86_64.exe 直接运行安装

 

一. 安装标注数据集工具LabelImg  

        开始菜单那打开 Anaconda Prompt (Anaconda3)

           1. 创建虚拟环境

conda create -n env_LabelImg_20201206 python=3.8

           2. 激活虚拟环境

activate env_LabelImg_20201206

           3. 安装LabelImg

pip install PyQt5 -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip install pyqt5-tools -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip install lxml -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip install labelImg -i https://pypi.tuna.tsinghua.edu.cn/simple/

           4. 启动LabelImg 

LabelImg

二. 使用LabelImg标注图片

           1. Open Dir打开目录，选中图片

           2. Create RectBox框选目标

           3. 切换保存格式YOLO

           4. Change Save Dir切换保存结果到 darknet\x64\data\voc\VOCdevkit\VOC2007\labels ，结果是YOLO训练用到的 与图片关联的txt文件 和 类别文件classes.txt

            

三. 生成训练集文件 train.txt

创建python脚本 make_train_txt.py ,并保存在 darknet-master\build\darknet\x64\data\voc\VOCdevkit\VOC2007\make_train_txt.py

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

myRoot = r'D:\soft\Ai\darknet-master\build\darknet\x64\data\voc\VOCdevkit\VOC2007'#这里是你项目对应的目录
imageRoot = myRoot + r'\JPEGImages'
 
def getFile_name(file_dir):
    L=[]
    for root, dirs, files in os.walk(file_dir):
        print(files)
        for file in files:
            if os.path.splitext(file)[1] == '.jpg':
                L.append(os.path.splitext(file)[0]) #L.append(os.path.join(root, file))
    return L 
 
image_ids_train = getFile_name(imageRoot)
 
list_file_train = open(myRoot +r'\ImageSets\Main\train.txt', 'w')

for image_id in image_ids_train:
    list_file_train.write(imageRoot + '\\%s.jpg\n' % (image_id))   
list_file_train.close()
 

 

运行make_train_txt.py 生成的训练文件在ImageSets\Main\目录下

四. 配置yolov4-obj.cfg

复制cfg/yolov4-custom.cfg 并重命名为cfg/yolov4-obj.cfg

做如下修改：

1 更改batch为batch=64

2 更改subdivisions为subdivisions=16

3 更改max_batches为classes数*2000，但是不要少于4000，例如这里有classes=2,那么max_batches=4000

4 更改steps为max_batches的80%，90%，这里steps=3200,3600，再设置神经网络尺寸width=416 height=416，或者其他32的倍数。

5 在cfg的3个[yolo]里面，将classes=80改为你的classes数目，这里为classes=5，三个都要改

6 在每个[yolo]前面有个[convolutional]，注意有两个，在[yolo]顶上那个里面改，将里面的filters=255改为filters=(classes+5)*3 这里filters=(2+5)*3=21，注意每个都要改。

五. 配置yolov4-obj.data

classes= 2
train  = data/voc/VOCdevkit/VOC2007/ImageSets/Main/train.txt
valid  = data/voc/VOCdevkit/VOC2007/ImageSets/Main/test.txt
names = data/voc/VOCdevkit/VOC2007/labels/classes.txt
backup = backup/

保存到 data/yolov4-obj.data

六. 开始训练

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

七. 测试

.\yolo_console_dll.exe data/voc/VOCdevkit/VOC2007/labels/classes.txt cfg/yolov4-obj.cfg backup/yolov4-obj_last.weights 008766af0b28da4033824cdff3410716.mp4

训练结果会在backup目录下生成权重文件yolov4-obj_last.weights