Ubuntu使用darknet实现YOLOv4-tiny预训练模型测试+训练自己的数据集+评估自己的模型

置顶 已于 2023-02-07 10:41:20 修改
阅读量6.2k 收藏 106
点赞数 5
分类专栏： Jetson 文章标签： python 深度学习 linux
于 2020-12-27 17:18:55 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_39298885/article/details/111690284
版权
Jetson 专栏收录该内容
8 篇文章 18 订阅 ¥19.90 ¥99.00
订阅专栏

文章目录


YOLOv4-tiny的原理本文不做讲解，只有应用方法

1.使用YOLOv4-tiny预训练模型

第一步：在GitHub网址https://github.com/AlexeyAB/darknet下载最新版的darknetAB源码
第二步：下载 yolov4-tiny模型权重：yolov4-tiny.weights，将下载好的权重放到darknet目录下
第三步：打开darknet目录下makefile文件，修改参数以适应于自己的计算机，GPU、CUDNN、OPENCV是主要修改的，其他参数根据自身需求修改

GPU=1		# 使用GPU
CUDNN=1		# 使用GPU
CUDNN_HALF=1
了解本专栏 订阅专栏 解锁全文
吾系桉宁
关注
  • 5
    点赞
  • 踩
  • 106
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 21
    评论
专栏目录
订阅专栏
Ubuntu18.04配置darknet环境实现YOLOv4目标检测(二)——基于python进行YOLOv4 inference
01-20
目录1. 需要用的的库2. 加载网络3. 加载图片4. 可视化结果 完成上一篇https://blog.csdn.net/linghu8812/article/details/100867702YOLOv4环境配置后，可基于python进行YOLOv4的inference，查看YOLOv4的检测结果。需要用到的库有darknet目录下的darknet.py文件，以及编译出来的libdarknet.so。 1. 需要用的的库 import os import cv2 import numpy as np import random import darknet 需要导入的库主要是opencv-
yolov4-tiny预训练模型和权重weigths cfg 文件.rar
07-23
用户可以选择在自己的特定数据集上进行finetuning，调整cfg文件以适应新的类别，并使用提供的预训练权重作为起点，继续训练以提高模型对新任务的适应性。 7. **应用场景**： YOLOv4-tiny因其高效性，常被用于自动...
Darknet框架下YOLOv3训练数据集详细训练和评估过程.pdf
03-04
Darknet框架下YOLOv3训练数据集详细标注、训练、测试、评估完整过程，
使用yolov4模型训练数据集
最新发布
2303_78263643的博客
04-28 940
cfg数据集的准备数据集的处理修改voc_annotation.py里面的annotation_mode=2，运行voc_annotation.py生成根目录下的2007_train.txt和2007_val.txt。开始网络训练train.py的默认参数用于训练VOC数据集，直接运行train.py即可开始训练。训练结果预测训练结果预测需要用到两个文件，分别是yolo.py和predict.py。
YOLOv4目标检测实战：训练自己的数据集
04-26
课程演示环境：Ubuntu需要学习Windows系统YOLOv4的同学请前往《Windows版YOLOv4目标检测实战：训练自己的数据集》，课程链接https://edu.csdn.net/course/detail/28748YOLOv4来了！速度和精度双提升！   与 YOLOv3 相比，新版本的 AP（精度） 和 FPS （每秒帧率）分别提高了 10% 和 12%。   YOLO系列是基于深度学习的端到端实时目标检测方法。本课程将手把手地教大家使用labelImg标注和使用YOLOv4训练自己的数据集。课程实战分为两个项目：单目标检测（足球目标检测）和多目标检测（足球和梅西同时检测）。   本课程的YOLOv4使用AlexAB/darknet，在Ubuntu系统上做项目演示。包括：安装YOLOv4、标注自己的数据集、整理自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型、性能统计(mAP计算和画出PR曲线)和先验框聚类分析。还将介绍改善YOLOv4目标训练性能的技巧。   除本课程《YOLOv4目标检测实战：训练自己的数据集》外，本人将推出有关YOLOv4目标检测的系列课程。请持续关注该系列的其它视频课程，包括： 《YOLOv4目标检测实战：人脸口罩佩戴识别》《YOLOv4目标检测实战：中国交通标志识别》《YOLOv4目标检测：原理与源码解析》
YOLOv4-tiny目标检测实战：训练自己的数据集
07-06
课程演示环境：Ubuntu   需要学习Windows系统YOLOv4-tiny的同学请前往《Windows版YOLOv4-tiny目标检测实战：训练自己的数据集》   YOLOv4-tiny来了！速度大幅提升！   YOLOv4-tiny在COCO上的性能可达到：40.2% AP50, 371 FPS (GTX 1080 Ti)。相较于YOLOv3-tiny，AP和FPS的性能有巨大提升。并且，YOLOv4-tiny的权重文件只有23MB，适合在移动端、嵌入式设备、边缘计算等设备上部署。   本课程将手把手地教大家使用labelImg标注和使用YOLOv4-tiny训练自己的数据集。课程实战分为两个项目：单目标检测（足球目标检测）和多目标检测（足球和梅西同时检测）。   本课程的YOLOv4-tiny使用AlexAB/darknet，在Ubuntu系统上做项目演示。包括：YOLOv4-tiny的网络结构、安装YOLOv4-tiny、标注自己的数据集、整理自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型、性能统计(mAP计算和画出PR曲线)和先验框聚类分析。     除本课程《YOLOv4-tiny目标检测实战：训练自己的数据集》外，本人推出了有关YOLOv4目标检测的系列课程。请持续关注该系列的其它视频课程，包括： 《YOLOv4目标检测实战：训练自己的数据集》 《YOLOv4目标检测实战：人脸口罩佩戴识别》 《YOLOv4目标检测实战：中国交通标志识别》 《YOLOv4目标检测：原理与源码解析》
darknet-训练自己的yolov3模型
weixin_30454481的博客
08-23 480
目录 Yolo v3的使用方法 安装darknet 训练Pascal VOC格式的数据 修改cfg文件中的voc.data 修改VOC.names 下载预训练卷积层权重 修改cfg/yolov3-voc.cfg 训练...
深度学习darknet框架训练模型
戚晨夕的博客
04-18 2898
深度学习 文章目录深度学习前言一、训练准备1.新建 data/voc.names 文件2.新建 cfg/voc.data 文件3.新建 cfg/yolov3.cfg 文件4.anchor聚类5.下载预训练权重文件二、开始训练三、测试总结 前言 前面我们配置好了深度学习的环境，也准备好了数据集。 一、训练准备 训练自己的数据集前，需要修改一些配置文件 1.新建 data/voc.names 文件 可以复制原有的 data/voc.names 内容再根据自己情况修改，可以重新命名， 如 data/voc-dp.
Windows版YOLOv4-tiny目标检测实战：训练自己的数据集
06-21
包括：YOLOv4-tiny的网络结构、安装YOLOv4-tiny、标注自己的数据集、整理自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型、性能统计(mAP计算)和先验框聚类分析。 除本课程《Windows版YO
yolov7-tiny.weights和yolov7-tiny.conv.87预训练模型文件下载
08-06
`yolov7-tiny.conv.87`文件是一个预训练的卷积网络权重文件，它存储了模型在大量图像数据上学习到的特征表示。这些权重是在大规模数据集如COCO（Common Objects in Context）上训练得到的，包含了对不同物体形状、...
darknet训练yolov7-tiny(AlexeyAB版本)
07-18
因darknet框架下的模型训练，相对pytorch框架训练成本低，且作者也提供了darknet框架下的配置文件和预训练模型，本人也在评估darknet框架下的v7-tiny模型，再次将AlexeyAB大佬开源的模型和配置文件上传，给自己做一...
Darknet版YOLOv4-visdrone数据集训练模型 backup-visdrone-v4.zip
05-12
1、Darknet版YOLOv4 visdrone数据集训练模型，训练结果文件，包含visdrone.data , visdrone.names, yolov4-visdrone.cfg， yolov4-visdrone_best.weights权重文件，并包含训练loss曲线和map曲线图， 2、检测结果见：...
YoLo_V4模型训练过程
m0_49963403的博客
05-29 1520
说明YoLo V4模型的训练过程
yolov4 从跑通代码到训练模型
z17338523033的博客
04-30 545
第一章 yolo环境的配置安装顺序是先安装vs2017，vs2017要勾选C++，再装cuda，因为要构建cuda和vs2017的依赖，不然装cuda的时候他会检测你电脑没有vs2017，会少装一点东西先查看电脑最高支持cuda的版本然后上官网下载你需要的版本，肯定要比你电脑支持版本低，不然驱动支持不了翻译一下就会出现中文了，下载cudnn还是比较麻烦的，得注册加入开发人员计划，cudnn的版本也要和你的cuda版本对应darknet下载网址下载自己需要的版本重点！
Darknet框架2：YOLOV3-使用Darknet训练检测自定义模型+COCO数据集！
AI新视界
07-08 7388
yolov3检测模型之darknet环境搭建+训练ms coco数据集！ 文章目录一、YOLOV3网络结构二、YOLOV3 Darknet 编译2.1、Clone项目文件2.2、根据环境，修改Makefile 文件2.3、项目编译2.4、测试三、YOLOV3 训练自定义数据3.1、数据准备3.2、训练数据集文件3.3、数据集配置3.4、模型训练3.5、模型简单测试四、YOLOV3 训练 COCO...
【darknet-yolo系列】yolov3 训练模型操作流程（包含所有资源下载）
sazass的博客
07-08 4059
全程参考官方文档：https://github.com/AlexeyAB/darkne 非常详细！ 1.标注数据集，并转为yolo模式（txt格式）： 标注的方式很多，这边只针对labelImg工具标注来做的，没有的可自行网上下载； 标注完成后，会生成xml文件，这里需要转换成yolo需要的txt格式： txt的格式： <object-class> <x_center> <y_center> <width> <height> 第一个：分类数 第二
coco训练集darknet_【darknet速成】Darknet图像分类从模型自定义到测试
weixin_39747383的博客
12-12 237
欢迎来到专栏《2小时玩转开源框架系列》，这是我们第12篇文章，前面已经说过了caffe，tensorflow，pytorch，mxnet，keras，paddlepaddle，cntk，chainer，deeplearning4j，matconvnet，lasagne。今天说darknet，也是最后一个框架了，本文所用到的数据，代码请参考我们官方git https://github.com/lon...
darkNet训练自己的yolov4模型
qq_40622955的博客
10-29 1641
简介：Darknet项目是github上的一个开源深度学习框架，用c语言编写，布置C/C++环境比较方便。 项目地址：https://github.com/AlexeyAB/darknet 项目作者主页：https://pjreddie.com/darknet/ 前人栽树后人乘凉，多谢开源大佬 1.图片数据标注 labelme标注工具标注的文件是json格式的文件，在yolo检测的框架下需要txt格式的标注，但是没有关系，转换也很简单。 没有labelme的话直接，pip install labelme
C++调用编译好的darknet来进行物体监测
qq_29462849的博客
03-10 6413
前言 darknet是一个基于C写出的框架，yolov3速度快，定位准确率比较高，很适合落地到自己的工程中。那么如何调用编译好的darknet.so动态链接库呢？ 正文 首先需要去darknet官网下载好darknet-master，然后进行编译，编译的时候最好选择GPU格式的，这样在后面监测的时候速度会非常快。 好啦，直接上代码吧～代码主要包含两个头文件和两个源文件。 imprcoess.h #...
darknet训练yolov4-tiny
06-28
### 回答1： 1. 首先，需要准备好训练数据集和标注文件，可以使用标注工具如LabelImg等进行标注。 2. 接着，需要下载darknet框架和yolov4-tiny模型的权重文件。 3. 在darknet目录下，修改配置文件yolov4-tiny.cfg，将其中的batch、subdivisions、classes、filters等参数根据自己的数据集进行修改。 4. 将训练数据集和标注文件放入darknet/data目录下。 5. 在命令行中输入以下命令进行训练： ./darknet detector train data/obj.data cfg/yolov4-tiny.cfg yolov4-tiny.weights 6. 训练过程中可以通过命令行输出的信息来观察训练情况，也可以使用工具如TensorBoard等进行可视化。 7. 训练完成后，可以使用训练好的模型进行目标检测，具体方法可以参考darknet官方文档。 ### 回答2： Darknet是一种流行的开源深度学习框架，它支持各种计算机视觉任务，例如对象检测、分类、语义分割等。Yolov4-tiny是一种基于深度神经网络的对象检测模型，其速度和准确性优于之前的版本，由于其轻量级的特性，适合在边缘设备上进行部署。在使用Darknet训练Yolov4-tiny时，需要以下几个步骤。 1. 数据集准备和标注 准备和标注数据集是深度学习的第一步。数据集包括许多图像，每张图像上都标有框框来标注出对象的位置，同时还需要给每个对象打上标签。这通常需要使用专业的工具，例如LabelImg或VIA。数据集的质量和数量对于模型的准确性至关重要。 2. 修改配置文件 在训练模型之前，需要使用配置文件指定许多参数，例如学习率、训练迭代次数、批量大小等。这些参数的设置将直接影响模型的性能和训练时间。在Yolov4-tiny的配置文件中，将输入图像的大小设置为416x416，并且根据自己的数据集修改标签类别数量、训练、验证和测试集路径等参数。此外，还可以尝试调整不同的超参数来改进模型性能。 3. 下载预训练权重 通常情况下，可以使用预训练的权重来加速模型的训练。在Yolov4-tiny的情况下，可以从官方网站下载预训练的权重，并将其作为初始权重进行训练。 4. 开始训练模型 完成配置文件和权重下载后，可以使用Darknet开始训练模型。在命令行中输入相应的命令，包括配置文件路径、权重路径、数据集路径等。训练过程可能需要几个小时到几天，具体时间取决于数据集的大小和复杂性。 5. 评估训练模型 当模型训练完成后，可以使用测试集对模型进行评估，查看其在不同指标下的表现，例如mAP(mean average precision)。评估结果可以帮助了解模型训练的效果，以及在实际应用中模型的性能如何。 6. 部署模型 最后，可以将训练好的模型部署到边缘设备上进行使用，例如实时对象检测和跟踪。在部署模型时，需要考虑设备的性能和存储容量，并根据具体需求进行优化，例如芯片加速、量化等。 ### 回答3： YoloV4-tiny是一种物体检测算法模型，其可用于实现高效的实时目标检测应用。而darknet则是实现该模型训练的深度学习框架，其可在Linux和Windows平台上运行。下面将详细介绍darknet训练YoloV4-tiny的步骤和方法。 首先，需要在计算机上安装darknet，可通过下载源代码后进行编译安装，也可直接使用已编译好的可执行文件。安装成功后，需要下载训练用的数据集，并将其转换为darknet可用的格式，通常为txt格式的标注文件和jpg格式的图片。将数据集放入darknet目录下的data文件夹中。 接下来，需要准备好yolov4-tiny的配置文件。配置文件包括模型参数、训练参数、数据集路径等，可参照darknet自带的yolov4-tiny.cfg文件进行设置。其中，需要注意的是网络结构的参数需要与数据集的类别数目对应，否则会导致训练结果不准确。另外，还需设置学习率、批次大小、迭代次数等训练参数。 完成配置文件的设置后，就可开始训练模型了。在命令行中输入训练命令，如“./darknet detector train data/obj.data cfg/yolov4-tiny.cfg yolov4-tiny.weights -gpus 0,1”，其中参数含义分别为：数据集路径、配置文件路径、预训练权重路径、使用GPU设备和数量。 训练过程中，darknet会输出每一轮训练的损失值和预测精度，可通过观察损失值变化来判断训练进展情况。训练完成后，会在darknet目录下生成新的权重文件，可用于实际应用。 总的来说，训练YoloV4-tiny需要准备好数据集、配置文件和训练参数，并在darknet中进行训练。训练过程需要耗费一定时间和计算资源，但能得到高效、准确的检测模型，适用于各种物体检测应用。
评论 21
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

吾系桉宁

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值