基于Pytorch搭建的Yolov4目标检测

目录

一.实验环境搭建

 

 二.Yolov4大致结构

 三.训练模型

 

四.实验总结

---

一.实验环境搭建

1. 下载Anoconda管理相关环境，将pytorch环境搭建在Anoconda上，经过多次实验，由于python用的3.6版本，最终较为兼容的版本是torch1.4.0和torchvision0.5.0
2. 安装Visual Studio，再安装Cudnn和CUDA
3. Pytorch环境中其他库的安装， qscipy==1.2.1  numpy==1.17.0   matplotlib==3.1.2opencv_python==4.1.2.30tqdm==4.60.0 Pillow==8.2.0  h5py==2.10.0

 

 二.Yolov4大致结构

 三.训练模型

1. 数据集准备：利用VOC数据集进行训练

• 

如图所示，Annotation中存放标签文件，JPEGImages存放图片文件。

2.利用github上yolo4相关仓库，打开对应文件夹

利用VScode编辑器打开文件夹如图所示：

 

3.处理数据集

如图所示，打开voc_annotation.py将annotation_mode设置为2，目的是获得训练用2007_train.txt以及2007_val.txt。此文件中的classes_path需要指向检测类别对应的文件，本实验用的VOC数据集，路径为根目录下model_data中voc_classes.txt文件，如果是训练自己建立的数据集，可以在model_data中建立一个新的txt文件并将classes_path指向其路径即可。

4.开始训练

打开train.py文件，如图所示：

此文件中的classes.path需要对应voc_annotation.py中的classes.path，再将预权重文件放入model_data中，设置好后开始训练，如图所示

 

训练多个Epoch后，权值文件会生成到根目录中的logs里。

5.训练结果预测

训练结果预测需要先打开根目录下的yolo.py文件设置相关路径，如图所示：

 将model_path和classes_path路径设置为对应logs中在上一步骤训练生成的权值文件和model_data中的txt文件。然后运行根目录下的predict.py文件，结果如下图所示：

输入图片路径结果如下图： 

 

 

 

 

四.实验总结

实验运行报错非常多，大致总结为以下几个原因：

1. python版本和库中numpy版本不兼容，尝试互降版本兼容。
2. Classes_path路径错误，导致训练报错。
3. CUDA安装失败，原因为未提前安装Visual Studio。
4. Future未安装，安装即解决。
5. 未载入预权值文件。