Scaled-YOLOv4 快速开始，训练自定义数据集

• 代码： https://github.com/ikuokuo/start-scaled-yolov4

Scaled-YOLOv4

• 代码: https://github.com/WongKinYiu/ScaledYOLOv4
• 论文: https://arxiv.org/abs/2011.08036
• 文章: https://alexeyab84.medium.com/scaled-yolo-v4-is-the-best-neural-network-for-object-detection-on-ms-coco-dataset-39dfa22fa982

环境准备

基础环境

• Nvidia 显卡的主机
• Ubuntu 18.04
  • 系统安装，可见 制作 USB 启动盘，及系统安装
• Nvidia Driver
  • 驱动安装，可见 Ubuntu 初始配置 - Nvidia 驱动

开发环境

下载并安装 Anaconda ,之后于 Terminal 执行：

# 创建 Python 虚拟环境
conda create -n scaled-yolov4 python=3.8 -y
conda activate scaled-yolov4

# 安装 PyTorch with CUDA
conda install pytorch==1.7.1 torchvision==0.8.2 cudatoolkit=10.2 -c pytorch -y

注意：

• pytorch 等版本请对照表 torch, torchvision, python
• cudatoolkit 版本请对照表 CUDA Toolkit and Compatible Driver Versions
• conda 下载过慢，可尝试配置国内镜像源

下载 CUDA Toolkit ，其版本也注意对应 Nvidia 驱动版本。下一步需要。命令参考：

wget https://developer.download.nvidia.com/compute/cuda/10.2/Prod/local_installers/cuda_10.2.89_440.33.01_linux.run
sudo sh cuda_10.2.89_440.33.01_linux.run

注意：安装时，请手动取消驱动安装选项。

下载 mish-cuda 并安装：

# install mish-cuda, if you use different pytorch version, you could try https://github.com/thomasbrandon/mish-cuda
git clone https://github.com/JunnYu/mish-cuda
cd mish-cuda
python setup.py build install

下载 ScaledYOLOv4-large:

git clone -b yolov4-large https://github.com/WongKinYiu/ScaledYOLOv4

脚本依赖

conda activate scaled-yolov4

cd start-scaled-yolov4/
pip install -r scripts/requirements.txt

模型准备

下载官方的 yolov4-p5.pt, yolov4-p6.pt, yolov4-p7.pt 权重文件到 ScaledYOLOv4/weights/ 目录。

现有模型测试

准备 COCO 数据集

下载 COCO 数据集，

coco2017
├── annotations
│   ├── instances_train2017.json
│   └── instances_val2017.json
├── test2017
├── train2017
└── val2017

转成 YOLOv5 数据集结构，

export COCO_DIR=~/datasets/coco2017
export OUTPUT_DIR=~/datasets/coco2017_yolov5

# train2017 训练集
# - 图片：目录软链到 images/
# - 标注：转换存储进 labels/*.txt
# - 物体类型：全部记录进 *.names
# - 图片列表：有物体标注的记录进 *.txt, 无的进 *.txt.ignored
python scripts/coco2yolov5.py \
--coco_img_dir $COCO_DIR/train2017/ \
--coco_ann_file $COCO_DIR/annotations/instances_train2017.json \
--output_dir $OUTPUT_DIR

# val2017 验证集
# - 物体类型：依照训练集的记录，保证顺序
python scripts/coco2yolov5.py \
--coco_img_dir $COCO_DIR/val2017/ \
--coco_ann_file $COCO_DIR/annotations/instances_val2017.json \
--output_dir $OUTPUT_DIR \
--obj_names_file $OUTPUT_DIR/train2017.names

如下：