yolov4训练自己的数据集

参考:

主要参考博客
辅助参考博客
评价参考博客

环境：

本人电脑ubuntu系统，2080ti，cuda10.0，cudnn7.6，python3.6

最开始电脑的cuda是9.0，cudnn7.6，参考博客：主要参考博客的时候在测试预训练好的模型的时候发生错误：cuDNN status Error in: file: ./src/convolutional_kernels.cu : () : line: 544 :这个博客的作者也是cuda9.0没有遇到我的错误，但是作者的电脑是1080ti的，我自己百度以后说是2080ti最好用cuda10.0，所以我参考博客将cuda9.0改为了cuda10.0.不在报错。

代码：

项目代码

开始训练自己的数据集

1. 编译

如果需要使用GPU加速，那么得打开项目里面的makefile文件修改一些参数的值。

GPU=1
CUDNN=1
CUDNN_HALF=1
OPENCV=1
OPENMP=1
LIBSO=1
DEBUG=1

修改之后，cd darknet-master目录下，直接make。

但是，我报错了，是opencv有问题，可能是版本问题。解决办法就是将opencv修改一下：OPENCV=0

2. 测试已经训练好的开源的权重

• 下载已经训练好的权重：有墙直接下载链接
• 也可以去百度云下载：就很慢
  链接：https://pan.baidu.com/s/1LTht8e3CD7q6v5_v-PC2dQ
  提取码：ahou

测试代码：./darknet detect cfg/yolov4.cfg yolov4.weights data/dog.jpg结果会保存在darknet-master目录下的predictions.jpg。

3. 准备自己的数据集

• 首先自己的数据集应该是voc格式的，按照如下的目录存储：
  
  Annotations中存放的是所有的xml文件。
  ImageSets中又Main文件，Main文件下是，train.txt；val.txt；test.txt。
  JPEGImages中存放的是所有的图片。
• 制作yolov4需要的label以及txt
  首先打开路径下 build/darknet/x64/data/voc/voc_label.py，修改voc_label.py里面的内容：
  先把7行的关于2012的去掉，再把第9行改成自己的类别。

sets=[('2007', 'train'), ('2007', 'val'), ('2007', 'test')]
classes = ["normal", "defect", "norbolt", "debolt"]

接着给每个路径前面加个data，一共7处
26行27行：

in_file = open('data/VOCdevkit/VOC%s/Annotations/%s.xml'%(year, image_id))
out_file = open('data/VOCdevkit/VOC%s/labels/%s.txt'%(year, image_id), 'w')

48行到53行：

    if not os.path.exists('data/VOCdevkit/VOC%s/labels/'%(year)):
        os.makedirs('data/VOCdevkit/VOC%s/labels/'%(year))
    image_ids = open('data/VOCdevkit/VOC%s/ImageSets/Main/%s.txt'%(year, image_set)).read().strip().split()
    list_file = open('%s_%s.txt'%(year, image_set), 'w')
    for image_id in image_ids:
        list_file.write('%s/data/VOCdevkit/VOC%s/JPEGImages/%s.jpg\n'%(wd, year, image_id))

修改之后，回到主目录，cd darknet-master执行命令：
python ./build/darknet/x64/data/voc/voc_label.py运行代码。
然后发现darknet-master/data/VOCdevkit/VOC2007目录下多了一个labels文件夹，里面存的是所有图片的txt文件。同时darknet-master目录下，多了三个txt文件：train_2007.txt；test_2007.txt；val_2007.txt。将这三个文件放到data目录下。

4. 修改配置文件

• cfg/目录下复制coco.data，并且重命名为obj.data。然后使用修改下面以下内容：

classes= 4  # 自己的类别数
train  = ./data/2007_train.txt #训练数据集文件路径
valid  =./data/2007_val.txt
#valid = data/coco_val_5k.list
names = cfg/obj.names #自己类别的名字文件
backup = backup/    # 训练好的网络权重保存路径
eval=coco

• cfg/目录下新建文件obj.names。写入自己类别的名称：

normal
defect
norbolt
debolt

• 复制cfg/yolov4-custom.cfg，并且重命名为yolo-obj.cfg，同时修改一下内容：
  8行9行：

width=416  # 608
height=416 # 608

20行22行：

max_batches = 6000  # 500500
steps=4800,5400  ## 400000,450000

上图中修改width和height为416，修改最大batch迭代多少个数max_batches = 6000，修改steps多久学习率下降一次，一般设置为batch个数的80%和90%。

然后三个classes的地方要修改:

classes = 4 ##80   # 970 1058  1146行附近

还有三个filters=255的地方要修改成自己的。

filters=27 # 255  # （类别数+5）*3
# 963  1051  1139行附近

5. 开始训练自己的数据集

下载预训练权重：

• 有墙：https://drive.google.com/open?id=1JKF-bdIklxOOVy-2Cr5qdvjgGpmGfcbp
• 或者百度元，同上面的链接一样：
  链接：https://pan.baidu.com/s/1LTht8e3CD7q6v5_v-PC2dQ
  提取码：ahou

如若报错关于mosaic这个错误，则将cfg/yolo-obj.cfg 里面26行mosaic=1改成mosaic=0或者注释掉。没报错就忽略。

评价：

代码：主目录下进行评价：./darknet detector map cfg/obj.data cfg/yolo-obj.cfg backup/yolo-obj_last.weights对训练好的权重进行评价。权重在backup下，可以自己查看评价哪一个权重。

预测：

目前只会单张测试：
./darknet detector test cfg/obj.data cfg/yolo-obj.cfg yolo-obj_xxxx.weights
然后会让你输入图片路径，可以随便测试一张输入：./data/VOCdevkit/VOC2007/JPEGImages/000001.jpg，回车，结果会显示在predictions.jpg中。

如果会批量测试可以告诉我一下，感谢！

代码只是跑通，任何细节都没有看呢。。。