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）

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。

1. 代码运行环境Ubuntu18.04+python3.6+显卡1080Ti+CUDA10.0+cudnn7.5.1+OpenCV3.4.6+Cmake3.12.2，详细环境配置安装步骤就不讲解拉，网上教程一大堆。
2. 从github克隆下载源码，链接地址：https://github.com/AlexeyAB/darknet
3. 训练肯定需要使用GPU加速，那么得打开项目里面的makefile文件修改一些参数的值，1-4、7改为1
   makefile前面几行：打开GPU 加速，打开opencv，打开libdarknet.so生成开关

GPU=1
CUDNN=1
CUDNN_HALF=1
OPENCV=1
AVX=0
OPENMP=0
LIBSO=1
ZED_CAMERA=0 # ZED SDK 3.0 and above
ZED_CAMERA_v2_8=0 # ZED SDK 2.X

4. 编译
   在darknet-master目录下运行：cmake.&make -j48

   下载与训练权重放在主目录下https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights

   百度网盘： 链接：https://pan.baidu.com/s/16wOHbaa2mG7cTZ_RcGjRnw
   提取码：99bl

   用下面的命令测试一下预训练权重
   ./darknet

   如果编译成功则会出现以下信息
   usage: ./darknet

   现在可以测试初始预训练权重效果了
   ./darknet detect cfg/yolov4.cfg yolov4.weights data/dog.jp

成功则在主目录下出现predictions.jpg 图片为预测后的图片，打开 OPENCV=1的可以直接显示出图片。说明我们的环境配置好了，否则先去配置环境。

5. 训练自己的数据集
–5.1 在主目录下创建yolo-obj.cfg 配置文件。将 yolov4-custom.cfg 中的内容复制到 yolo-obj.cfg里面，并做以下修改。
　　--5.1.1修改batch=64，修改subdivisions=16(如果显卡是2080TI的，可以把batch设置为96，如果报内存不足，将batch改回64将，或者subdivisions设置为32)
　　--5.1.2修改max_batches=classes*2000 例如有2个类别人和车 ，那么就设置为4000，N个类就设置为N乘以2000，
　　--5.1.3修改steps为80% 到 90% 的max_batches值 比如max_batches=4000，则steps=3200,3600
　　--5.1.4修改classes,先用ctrl+F搜索 [yolo] 可以搜到3次，每次搜到的内容中 修改classes=你自己的类别 比如classes=2
　　--5.1.5修改filters,一样先搜索 [yolo] ,每次搜的yolo上一个[convolution] 中 filters=(classes + 5)x3 比如filters=21
　　--5.1.6（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 （这里我没用到，但是还是修改了）
–5.2制作obj.names，在主目录下创建obj.names文件。内容为你的类别 比如人和车 那么obj.names 为如下，多个类别依次往下写

person
car

–5.3 制作obj.data，在主目录下创建obj.data文件。内容如下

  classes= 2
  train  = ./scripts/2007_train.txt
  #valid  = ./scripts/2007_test.txt #（做测试用的测试txt）
  valid  = ./scripts/2007_val.txt
  names = darknet-master/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

–5.4 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。

VOCdevkit
--VOC2007
----Annotations  #（放XML标签文件）
----ImageSets
------Main
----JPEGImages   # (放原始图片)

把自己的原始未标注图片和标签信息放入相应文件夹下。

–5.5 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 = [“person”,“car” ] 按自己的类别修改，但是顺序要和obj.name 保持一致，
-5.6 在主目录下创建make_data.py 文件，把如下代码方进去。运行此文件在scripts 文件下生成 3个相应的txt文件，在Main 下生成四个txt文件。

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()

-5.7运行voc_labels.py文件，在VOC2007文件下生成labels文件，文件夹里包含相应的txt.（现在voc2007文件里多出一个labels 文件夹）

-5.8 开始训练
首先下载预训练权重yolov4.conv.137，放入主目录下。

链接：https://pan.baidu.com/s/1yhB8pRcGH84gyRWeNictBA
提取码：gi4d

用下面的命令开始训练：
./darknet detector train obj.data yolo-obj.cfg yolov4.conv.137 -map

#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

大家可以看到收敛效果还是很明显的，效果扛扛的。不愧是吊打一切的目标检测算法。

-5.9测试
修改obj.data,
valid = ./scripts/2007_test.txt
#valid = ./scripts/2007_val.txt

测试：
./darknet detector map obj.data yolo-obj.cfg backup/yolo-obj_final.weights

好了，你竟然认真的看完了，记得点赞收藏，下次观看不迷路，有任何问题欢迎流言私信我。