基于Darknet深度学习框架训练YoloV4模型，并用自己的模型批量处理图片并保存在文件夹内

最新推荐文章于 2024-04-17 19:47:34 发布

咸愚翻生

最新推荐文章于 2024-04-17 19:47:34 发布

阅读量7.6k

点赞数 8

分类专栏：深度学习文章标签：深度学习计算机视觉 yolo

本文链接：https://blog.csdn.net/weixin_42770591/article/details/105863701

版权

深度学习专栏收录该内容

4 篇文章 0 订阅

订阅专栏

基于Darknet深度学习框架训练YoloV4模型，并用自己的模型批量处理图片并保存在文件夹内

训练YoloV4
批量处理图片并保存在文件夹内
用自己的模型检测视频并保存

参考文章链接：
linux下配置运行YoloV4
准备Pascal VOC数据集
 训练配置并开始训练
感谢大佬提供的训练方法！！！

训练YoloV4

本机系统环境

Centos8
显卡 GeForce RTX 2080 8G显存
显卡驱动版本440.82
CUDA 10.2
Cudnn 7.6.2
OpenCV 3.4.1
Python 3.7

配置运行测试YoloV4

下载YoloV4
git clone https://github.com/AlexeyAB/darknet.git
编译
在darknet-master目录下打开命令行，输入：
make
PS:以下两种情况都要重新编译，重新编译步骤就是先make clean，再make
情况一 修改使用GPU、Cudnn、OpenCV等，这些内容在/darknet-master/makefile里面修改，使用设为1，不使用设为0
情况二 后期训练修改/darknet-master/src文件夹里的文件时，如/darknet-master/src/detector.c
测试是否编译成功

./darknet

如果出现下面输出则为成功：

usage:./darknet<fuction>

下载YoloV4权重文件
YoloV4权重文件（需要外网）
没有外网可以留言邮箱地址
下载好后将权重文件yolov4.weights复制到/darknet-master目录下
测试实例

./darknet detect cfg/yolov4.cfg yolov4.weights data/dog.jpg

如果没有使用OpenCV的话只会保存结果图片在/darknet-master目录下，使用的话会出现弹窗显示检测结果。

准备Pascal VOC数据集

标注
标注我使用的精灵标注，导出pascal voc格式数据
注意不要有超出图片边界的框，也不要有想xmin=0或者ymin=0的框
处理数据

darknet-master
   	VOCdevkit
   			VOC2028
   					Annotations
   					JPEGImages
   					ImageSets
   							Main

注意Main文件夹在ImageSets文件夹内

整理数据
将所有图片放入JPEGImages文件夹中，将所有.xml标注文件放入Annotations文件夹中，然后运行
python Main_devide.py ./VOCdevkit/VOC2028
Main_devide.py内容如下：

import os
import random
import sys

if len(sys.argv) < 2:
    print("no directory specified, please input target directory")
    exit()

root_path = sys.argv[1]

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()

在ImageSets/Main文件夹下就会生成四个txt文件：test.txt、train.txt、trainval.txt、val.txt。

生成Darknet需要的label文件
将/darknet-master/scripts目录下的voc_label.py文件复制到/darknet-master目录下，打开voc_label.py文件，修改第7行：

sets=[('2012', 'train'),('2012', 'val'),('2007', 'train'),('2007', 'val'),('2007', 'test')]
改为
sets=[('2028', 'train'),('2028', 'val'),('2028', 'test')]

修改第8行：

classes=["你自己要训练的类别","逗号隔开"]

修改最后两行：

os.system("cat 2007_train.txt 2007_val.txt 2012_train.txt 2012_val.txt > train.txt")
os.system("cat 2007_train.txt 2007_val.txt 2007_test.txt 2012_train.txt 2012_val.txt > train.all.txt")
改为
os.system("cat 2028_train.txt 2028_val.txt > train.txt")
os.system("cat 2028_train.txt 2028_val.txt 2007_test.txt > train.all.txt")

运行voc_label.py文件：

python voc_label.py

运行后，在/darknet目录下会生成5个文件，分别是：2028_train.txt,2028_test.txt,2028_val.txt,train.all.txt,train.txt

将这5个txt文件复制到/darknet/VOCdevkit中

修改配置并开始训练

修改配置文件cfg/voc.data

classes=20
train=/home/xxx/xxx/train.txt
valid=/home/xxx/xxx/2007_test.txt
names=data/voc.names
backup=backup

修改成：

classes=x #你的类别数
train=/home/xxx/xxx/darknet-master/VOCdevkit/train.txt
valid=/home/xxx/xxx/darknet-master/VOCdevkit/2028_test.txt
names=data/voc.names
backup=/home/xxx/xxx/darknet-master/backup	#在darknet-master目录下创建backup文件夹

修改data/voc.names
将里面的内容修改为训练的类别名，一个类型一行
下载backbone权重文件yolov4.conv.137

https://drive.google.com/file/d/1JKF-bdIklxOOVy-2Cr5qdvjgGpmGfcbp/view

将该文件放在/darknet-master目录下

修改配置文件yolo-obj.cfg
将cfg/yolov4-custom.cfg复制一份，并将复制后的文件命名为yolo-obj.cfg
修改/darknet-master/cfg/yolo-obj.cfg，如下：
将batch和subdivisions前面的#删掉
batch和subdivisions大小可按自己显存大小修改，数据都是2的倍数
width和height都修改为416，或者其他32的倍数

修改max_batches和steps:
max_batches=类别数量×2000
steps=0.8×max_batches，0.9×max_batches

ctrl+F搜索yolo，一共出现三处，修改yolo上面的fliters和下面的classes：
fliters=(类别数+5)×3
classes=类别数
开始训练

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

训练结束后，训练的模型会放在darknet-master/backup中。
PS:训练时碰到一个issue
mosaic=1 -compile Darknet with OpenCV for using mosaic=1
free():corrupted unsorted chunks段错误
此问题github作者已解决段错误（核心已转储）

测试训练的模型

./darknet detector test cfg/voc.data cfg/yolo-obj.cfg backup/yolo-obj_xxxx.weights

批量处理图片并保存在文件夹内

训练完模型后，在实际运用自己训练的模型时，希望能实现批量处理，并且将检测结果显示在图片上并将结果图片保存在指定文件夹中。

代码修改

修改darknet-master/src/detector.c文件
打开darknet-master/src/detector.c文件，添加*GetFilename(char *p)函数，如下：

#include "darknet.h"
#include <sys/stat.h>
#include<stdio.h>
#include<time.h>
#include<sys/types.h>
static int coco_ids[] = {1,2,3,4,5,6,7,8,9,10,11,13,14,15,16,17,18,19,20,21,22,23,24,25,27,28,31,32,33,34,35,36,37,38,39,40,41,42,43,44,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,67,70,72,73,74,75,76,77,78,79,80,81,82,84,85,86,87,88,89,90};
 
char *GetFilename(char *p)
{ 
    static char name[20]={""};
    char *q = strrchr(p,'/') + 1;
    strncpy(name,q,3);	#这里3是文件名长度，比如001.jpg，要修改成你自己的文件名长度，文件名不统一的话可以通过文件名修改软件修改成统一的，这一点是比较鸡肋，凑合用吧
    return name;
}

搜索“save_image(im, “predictions”)”，大概在1600多行，将其替换为以下代码：

// save_image(im, "predictions");
char b[512];
sprintf(b,"output/%s", GetFilename(input));
save_image(im, b);

修改完后重新make。

准备一个包含所有需要检测图片路径的txt文件

运行以下代码（路径改为自己的）：

import os

paths = "./test" # 测试图片的路径
f = open('test.txt', 'w')  # 最后得到的图片路径txt文件
filenames = os.listdir(paths)
filenames.sort()
for filename in filenames:
    out_path = "/home/yolov4/darknet-master/test/" + filename # 引号内为测试图片文件夹的绝对路径
    print(out_path)
    f.write(out_path + '\n')
f.close()

运行完后在darknet-master目录下会生成一个test.txt文件。

在cmd下用指令运行

在darknet-master目录下创建一个output文件夹，运行以下命令：

./darknet detector test <data/voc.data> <cfg/yolo-voc.cfg> <yolo-voc.weights> -ext_output -dont_show < <data/train.txt> > <result.txt>

其中用“< >”尖括号框出来的地方需要修改：
data/voc.data:检测用模型的voc.data文件的地址。
cfg/yolo-voc.cfg:检测用模型的cfg文件的地址。
yolo-voc.weights:检测用模型的weights文件的地址。
data/train.txt :步骤2中准备的txt文件地址。ps:注意前后有’< ‘和’ >'
result.txt:输出文本格式的检测结果的文件名

我的运行命令如下：

./darknet detector test data/voc.data cfg/yolo-obj.cfg backup/yolo-obj_xxxx.weights -ext_output -dont_show test.txt result.txt

用自己的模型检测视频并保存

请见另一篇文章CentOS8编译OpenCV4.3.0 with ffmpeg（YoloV4处理视频并保存）

以上。

咸愚翻生

关注

8
点赞
踩
60

收藏

觉得还不错? 一键收藏
24
评论
基于Darknet深度学习框架训练YoloV4模型，并用自己的模型批量处理图片并保存在文件夹内

基于Darknet深度学习框架训练YoloV4模型，并用自己的模型批量处理图片并保存在文件夹内训练YoloV4本机系统环境：配置运行测试YoloV4准备Pascal VOC数据集参考文章链接：linux下配置运行YoloV4准备Pascal VOC数据集训练配置并开始训练感谢大佬提供的训练方法！！！训练YoloV4本机系统环境：Centos8显卡 GeForce RTX 2080...
复制链接

扫一扫