yolov4训练自制数据集

一、准备代码和预训练权重：

本次训练代码参考：https://github.com/bubbliiiing/yolov4-pytorch

二、准备数据集：

1、标注工具

本次使用的标注工具为lablelimg，安装方式见：https://blog.csdn.net/ssunshining/article/details/109453311

2、准备图片数据：

统一数据为RGB格式图片，大小无所谓能看清目标即可

jpg图片存放在Photo文件夹下(下图中的所有文件都放在mydataset文件夹下)：

三、准备标签数据

1、使用labelimg的VOC数据标注格式，标注的.xml文件存放在Annotations文件夹下，标注注完成之后，将标注过的图片移动到JPEGImages文件夹下。

2、运行generate_my_train_TXT.py文件生成可以对应文件名与xml的txt文件

（注意：如果是自己的文件，需要修改路径）

 

3.运行xparse_myAnnotations.py文件生成训练数据的标签

 

前边是图片的绝对路径，后边的数字每5个一组（目标的位置+类别），将生成的txt文件复制到mydataset文件夹下面。

 

（注意需要修改：

）

 

4.建立类别标签的txt文件，如果类别较少可以手动写入到mydataset文件夹下的obj_class.txt文件中，类别较多可以自己写个python文件写入。

5.运行kmeans_for_anchors.py生成先验框，会自动写入到yolo_anchors.txt文件中

先验框如下，一共9组：

三、训练过程

运行train.py文件，等待运行完成

（注意：需要修改annotation_path为训练标签的路径，classes_path为类别标签的路径，model_path为预训练权重的路径）

每次保存的参数会保存在logs文件夹下

四、测试训练效果

由于本次的训练是过拟合版本直接，直接运行predict.py文件，输入需要检测的图片的路径就可以成功进行检测。

（注意：需要在yolo.py文件中更改以下参数

其中model_path为保存的权重的路径，anchors_path为先验框的txt的路径，classes_path为类别标签的路径，model_image_size和训练有关，和train.py中的input_shape保持一致 ,confidence为置信度大小

）

训练效果展示：

 

参考资料：

https://www.bilibili.com/video/BV1Q54y1D7vj?t=96&p=12

https://blog.csdn.net/weixin_44791964/article/details/106214657

https://blog.csdn.net/nan355655600/article/details/106246625?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522160603577619724838503635%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=160603577619724838503635&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~blog~first_rank_v1~rank_blog_v1-1-106246625.pc_v1_rank_blog_v1&utm_term=yolov4&spm=1018.2118.3001.4450