pytorchyolov4训练_PyTorch版YOLOv4训练自己的数据集---基于Google Colab

colab简介

Google Colaboratory是谷歌开放的一款研究工具，主要用于机器学习的开发和研究。

工具优势：Google Colab最大的好处是给广大的AI开发者提供了免费的GPU使用。你可以在上面轻松地跑例如：Keras、Tensorflow、Pytorch等框架；其次是入门相对简单，语法和cmd语句以及linux语句相似。目前colab平台GPU的状态信息如下图：

工具缺陷：需要vpn，对自身网络有一定要求，否则容易断联。但是目前本人使用过程中很少发生上述情况，除了电脑熄屏的时候导致断联。

因此这个工具对于自身电脑配置不高的开发者很是友好。

colab入门

训练自己的数据集

准备自己的数据集(win10)

这是利用yolo系列算法训练自己数据集最为关键，也是最为繁琐的一步。所幸自己在github找到一个项目，此项目专门为yolo系列准备对应格式的数据。

voc2007_for_yolo_torch：https://github.com/ppr/voc2007_for_yolo_torch

大家只需要根据作者的指示，便可以轻松的得到可利用的数据。

注意事项

这个步骤本来可以统一在Google Colab实现，但是由于谷歌云端硬盘的空间有限，所以我在win10利用pycharm将这一步骤先进行实现，之后需要将对应结果的文件夹和文件上传到谷歌云盘就行。

由于自身的xml文件格式可能和作者的xml文件格式不一样，所以除了作者说的需要修改的地方，我们可能还需要对代码进行适当的修改。

比如我的xml文件就和作者xml文件不一样，我的xml文件中没有"size","difficult"等属性。所以需要对tools文件夹下的voc_lable.py文件进行修改。

# -*- coding: utf-8 -*-

"""

需要修改的地方：

1. sets中替换为自己的数据集

3. 将本文件放到VOC2007目录下

4. 直接开始运行

"""

import xml.etree.ElementTree as ET

import pickle

import os

from os import listdir

from os.path import join

import cv2

sets = [('2007', 'train'), ('2007', 'val'), ('2007', 'test')] #替换为自己的数据集

jpegimages_dir = r".\JPEGImages" #原本没有，自己添加，因为下面需要使用

def convert(size, box):

# 进行归一化

dw = 1. / (size[0])

dh = 1. / (size[1])

x = (box[0] + box[1]) / 2.0

y = (box[2] + box[3]) / 2.0

w = box[1] - box[0]

h = box[3] - box[2]

x = x * dw

w = w * dw

y = y * dh

h = h * dh

return (x, y, w, h)

def convert_annotation(year, image_id, classes):

in_file = open('Annotations/%s.xml' % (image_id), 'r', encoding='utf-8') #将数据集放于当前目录下

out_file = open('voc_labels/%s.txt' % (im