Yolov4训练自己的数据集

Yolov4论文：
链接：https://pan.baidu.com/s/1cMtCneweOumFb1KoEFPBWg
提取码：49r6

代码：https://github.com/AlexeyAB/darknet

环境：
Ubuntu 18.04
Python3.7(anoconda)
cuda10.0,cudnn7.3.4

编译：

原文作者的代码中，已经将所有的东西包装好了，因此根据自己的需求，修改makefile的参数，make即可。参数如下（原文作者代码中的README.md文件，有详细的介绍）：
GPU=1

• 使用CUDA进行构建以通过使用GPU加速（CUDA应该在中/usr/local/cuda）

CUDNN=1

• 使用cuDNN v5-v7进行构建，以通过使用GPU加速培训（cuDNN应该在中/usr/local/cudnn）

CUDNN_HALF=1

• 为Tensor Core构建（在Titan V / Tesla V100 / DGX-2及更高版本上）加速检测3倍，训练2倍

OPENCV=1

• 使用OpenCV 4.x / 3.x / 2.4.x构建-允许检测来自网络摄像机或网络摄像机的视频文件和视频流

DEBUG=1

• 调试Yolo版本

OPENMP=1

• 使用OpenMP支持进行构建以通过使用多核CPU来加速Yolo

LIBSO=1

• 生成一个库darknet.so和uselib使用该库的二进制可运行文件。

ZED_CAMERA=1

• 构建具有ZED-3D摄像机支持的库（应安装ZED SDK）

#cd 到代码的主目录darknet-master
make

等其运行好之后运行代码经行测试，

#dog.jpg是自带的图片,也可以传自己的图，这里我只是测试代码能不能跑
./darknet detect cfg/yolov4.cfg yolov4.weights data/dog.jpg

准备自己的数据集：

这里有两种方式（我所了解的）。

第一种：用作者提供的代码

按照VOC的数据格式准备数据集()，
/VOCdevkit/VOC2014/Annotations
/VOCdevkit/VOC2014/ImageSets/Main
/VOCdevkit/VOC2014/JPEGImages

为什么这么创建呢，因为作者的代码中，生成标签就是这样生成的，说白了就是偷个懒。。。（代码在build/darknet/x64/data/voc/voc_label.py）

Annotations存放标签的xml文件
Imagesets/Main里面存放着txt文件，txt中存放着图片的名字：
0001
0002等等
当然，分为train.txt,test.txt,val.txt（train为训练集，test为测试集，val为验证集）。
JPEGImages存放着图片。

更改build/darknet/x64/data/voc/voc_label.py中的代码

将set换成自己需要的文件名，classes换成训练的类别。

这就是为什么要用voc的数据格式，可以直接用作者写好的代码


运行之后，会生成labels文件夹，里面是以每张图片名字命名的txt文件，txt文件中包含每张图片标签转换过后的值。除此之外，还会生成train2017.txt,val2017.txt文件，里面存储着图片的路径。

第二种：自己准备

如果你不想用作者的代码生成标签，你可以自己生成，train2014.txt，val2014.txt，以及labels文件。之后，在按照/VOCdevkit/VOC2014/JPEGImages目录，将数据放入JPEGImage中（train2014.txt和val2014.txt文件存放图片路径），并将labels放入/VOCdevkit/VOC2014/，与JPEGImage同级。

这是因为训练的时候，是根据图片路径来找标签的，如果不放在同级，它会从JPEGImage中寻找标签。（代码在 src/untils.c）

如果labels没有放对文件夹，或者JPEGImage中没有标签，则会报错 Can’t open label file. (This can be normal only if you use MSCOCO)
如果不想存放在JPEGImage中，则可以在下面写上自己的路径，如下图：

修改cfg文件

在cfg目录下找到coco.name，复制并重命名为obj.name（可以替换为自己想用的名字）
将其中的类别，改为自己的类别

在cfg目录下找到coco.data，复制并重命名为obj.data，并修改为自己的参数

在cfg目录下找到yolov4-custom.cfg，复制并重命名为yolov4-obj.cfg
这一部分根据自己的需求更改，

另外classes和filters需要改成自己的数据对应的值。（一共3个，每个yolo里面的clases以及yolo前面的filters，filters =(classes+5)*3）

训练

#yolov4.conv.137为预训练权重（可以在gits上下载）
./darknet detector train cfg/obj.data cfg/yolov4-obj.cfg yolov4.conv.137

测试

#测试方式有很多种，还可以测试视频，有兴趣的可以自己尝试
./darknet detector test cfg/obj.data cfg/yolo-obj.cfg backup/yolov4-obj_1000.weights 

./darknet detect cfg/yolov4.cfg backup/yolov4-obj_1000.weights data/dog.jpg

另外，还有许多改进方法，在git上的README.md中，有兴趣的可以看看，非常有帮助。
另外网上已经有tensorflow和pytorch版本的yolov4的源码，有兴趣的可以看看，下面是我收藏的两篇（当然也可能有比下面的更好的，自取）

tensorflow（包含tensorrt）:https://github.com/hunglc007/tensorflow-yolov4-tflite

pytorch(包含tensorrt)：https://github.com/Tianxiaomo/pytorch-YOLOv4