darknet训练自己的模型权重-yolo4

注：此过程是运行在darknet已编译完成后的情况，具体运行环境参考上一篇博文：编译darknet网络-下载git版本时间20210520

 

一、在darknet主目录下创建yolo-obj.cfg配置文件，拷贝yolov4-custom.cfg的内容到yolo-obj.cfg中，并对部分内容进行修改。

1. 修改batch=64，修改subdivisions=64（如果显卡性能较高，可以设置batch=96或subdivisions=16）
2. 修改width=416，height=416（如果显卡性能较高，可以设置width=608，height=608）
3. 修改max_batches=classes*2000，例如当前有3个类别，则设置为6000，这里的max_batches表示最终的迭代次数
4. 修改steps为max_batches的80%到90%，比如max_batches=6000，则steps=4800,5400
5. 修改classes，使用文件内容搜索关键字[yolo]可以搜到3次，修改classes的数量为你的类别数，这里classes=3
6. 修改filters，同上一步搜索[yolo]，每次搜到的yolo上一个的[convolutional]中filters=(classes + 5)x3 比如filters=24
7. （可以跳过）如果要用[Gaussian_yolo] ，则搜索[Gaussian_yolo] 将[filters=57] 的filter 修改为 filters=(classes + 9)x3 （注：这里我没搜到对应的内容）

 

二、在darknet主目录下创建obj.name文件，内容为你的类别，比如水壶、人和笔，格式如下：

jug
person
pen

 

三、制作obj.data，在darknet主目录下创建obj.data文件，内容如下：

classes= 3
train  = ./scripts/2007_train.txt
#valid  = ./scripts/2007_test.txt #（做测试用的测试txt）
valid  = ./scripts/2007_val.txt
names = obj.name #（找不到的话，可以修改为自己的绝对路径）
backup = backup/ # 权重保存的位置

 

四、在darknet主目录下创建backup文件夹，方便训练过程报存权重

五、数据集制作，在scripts文件夹下按如下目录创建VOCdevkit 文件夹，放自己的训练数据，结构如下：

VOCdevkit

--VOC2007

----Annotations  #（放XML标签文件）

----ImageSets

------Main

----JPEGImages   # (放原始图片)

然后，把自己的原始未标注图片和标签信息放入相应文件夹下。

六、scripts文件夹下有voc_label.py，打开后修改自己的类别信息

sets=[ (‘2007’, ‘train’), (‘2007’, ‘val’), (‘2007’, ‘test’)]

classes = [“jug”, “person”,“pen” ] 按自己的类别修改，但是顺序要和obj.name 保持一致

 

七、在主目录下创建make_data.py 文件，拷贝下面代码。

import os
import random
import sys
root_path = './scripts/VOCdevkit/VOC2007'
xmlfilepath = root_path + '/Annotations'
txtsavepath = root_path + '/ImageSets/Main'
if not os.path.exists(root_path):
    print("cannot find such directory: " + root_path)
    exit()
if not os.path.exists(txtsavepath):
    os.makedirs(txtsavepath)
trainval_percent = 0.9
train_percent = 0.8
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
print("train and val size:", tv)
print("train size:", tr)
ftrainval = open(txtsavepath + '/trainval.txt', 'w')
ftest = open(txtsavepath + '/test.txt', 'w')
ftrain = open(txtsavepath + '/train.txt', 'w')
fval = open(txtsavepath + '/val.txt', 'w')
for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftrain.write(name)
        else:
            fval.write(name)
    else:
        ftest.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

 

执行make_data.py 文件，在Main 下生成四个txt文件。

八、在scripts文件夹下执行voc_label.py文件，执行前如有”2012”相关字样内容需删除，保留”2017”部分，执行结束在scripts 文件下生成 3个相应的txt文件，在VOC2007下生成labels文件夹。

 

九、开始训练，先下载预训练权重yolov4.conv.137，放入darknet主目录下，

权重下载地址：

https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.conv.137

用下面的命令开始训练：

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

每训练迭代1000次会单独保存1份当前权重。

#训练2000此后在之前训练的基础上继续训练（适合中途停止后继续训练）

./darknet detector train obj.data yolo-obj.cfg backup/yolo-obj_2000.weights -map

 

参考博客：

Yolov4训练自己的数据集，史上最详细教程（本人多次使用训练，亲测效果不错,小白都可以学会）_王GUO宁的博客-CSDN博客