PyTorch版YOLOv4训练自己的数据集---基于Google Colab

colab简介

Google Colaboratory是谷歌开放的一款研究工具，主要用于机器学习的开发和研究。
工具优势：Google Colab最大的好处是给广大的AI开发者提供了免费的GPU使用。你可以在上面轻松地跑例如：Keras、Tensorflow、Pytorch等框架；其次是入门相对简单，语法和cmd语句以及linux语句相似。目前colab平台GPU的状态信息如下图：

工具缺陷：对自身网络有一定要求，否则容易断联。但是目前本人使用过程中很少发生上述情况，除了电脑熄屏的时候导致断联。
因此这个工具对于自身电脑配置不高的开发者很是友好。

colab入门

官方教程：https://medium.com/deep-learning-turkey/google-colab-free-gpu-tutorial-e113627b9f5d
Deep-Learning-with-GoogleColab：https://github.com/hardik0/Deep-Learning-with-GoogleColab
这个github项目实现了在colab上使用yolov3,yolov4进行目标检测。

训练自己的数据集

准备自己的数据集(win10)

这是利用yolo系列算法训练自己数据集最为关键，也是最为繁琐的一步。所幸自己在github找到一个项目，此项目专门为yolo系列准备对应格式的数据。
voc2007_for_yolo_torch：https://github.com/ppr/voc2007_for_yolo_torch
大家只需要根据作者的指示，便可以轻松的得到可利用的数据。

注意事项

1. 这个步骤本来可以统一在Google Colab实现，但是由于谷歌云端硬盘的空间有限，所以我在win10利用pycharm将这一步骤先进行实现，之后需要将对应结果的文件夹和文件上传到谷歌云盘就行。
2. 由于自身的xml文件格式可能和作者的xml文件格式不一样，所以除了作者说的需要修改的地方，我们可能还需要对代码进行适当的修改。
3. 比如我的xml文件就和作者xml文件不一样，我的xml文件中没有"size","difficult"等属性。所以需要对tools文件夹下的voc_lable.py文件进行修改。

# -*- coding: utf-8 -*-
"""
需要修改的地方：
1. sets中替换为自己的数据集
3. 将本文件放到VOC2007目录下
4. 直接开始运行
"""

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir
from os.path import join
import cv2

sets = [('2007', 'train'), ('2007', 'val'), ('2007', 'test')]  #替换为自己的数据集
jpegimages_dir = r".\JPEGImages"  #原本没有，自己添加，因为下面需要使用


def convert(size, box):
    # 进行归一化
    dw = 1. / (size[0])
    dh = 1. / (size[1])
    x = (box[0] + box[1]) / 2.0
    y = (box[2] + box[3]) / 2.0
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return (x, y, w, h)


def convert_annotation(year, image_id, classes):
    in_file = open('Annotations/%s.xml' % (image_id), 'r', encoding='utf-8')  #将数据集放于当前目录下
    out_file = open('voc_labels/%s.txt' % (image_id), 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()

    #因为我的xml文件中没有“size”,"difficult"标注，所以需要对源码进行修改
    #size = root.find('size')
    #w = int(size.find('width').text)
    #h = int(size.find('height').text)
    # for obj in root.iter('object'):
    #     difficult = obj.find('difficult').text
    #     cls = obj.find('name').text
    #     if cls not in classes or int(difficult) == 1:
    #         continue
    #     cls_id = classes.index(cls)
    #     xmlbox = obj.find('bndbox')
    #     b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text),
    #          float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
    #     bb = convert((w, h), b)
    #     out_file.write(
    #         str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')

    #在作者源码基础上，对其修改得到如下代码
    img = cv2.imread(jpegimages_dir + "/" + image_id+'.jpg')
    w = int(img.shape[1])
    h = int(img.shape[0])
    for obj in root.iter('object'):
        cls = obj.find('name').text
        if cls not in classes == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text),
             float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
        bb = convert((w, h), b)
        out_file.write(
            str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')


def gen_voc_lable(classes):
    for year, image_set in sets:
        if not os.path.exists('voc_labels/'):
            os.makedirs('voc_labels/')
        image_ids = open('ImageSets/Main/%s.txt' %
                         (image_set)).readlines()  #.strip()#.split()
        # print(image_ids)
        print('*' * 20)
        list_file = open('%s_%s.txt' % (year, image_set),
                         'w')
        for image_id in image_ids:
            image_id = image_id[:-1]
            print(image_id)
            list_file.write('./data/images/%s2014/%s.jpg\n' % (image_set ,image_id))
            convert_annotation(year, image_id, classes)
        list_file.close()

上传结果文件夹

首先，我们需要打开，然后进入Google Colab
https://colab.research.google.com/
然后点击文件，新建笔记本。
接着运行如下语句：
为了方便大家运行，将上述语句以代码块形式给出如下：

#启动云端硬盘
from google.colab import drive
drive.mount('/content/drive/')

#进入drive文件夹
%cd drive/

#进入My Drive文件夹
%cd My\ Drive

#清除同名文件夹
%rm -r PyTorch-YOLOv4

#下载github项目
!git clone https://github.com/SOVLOOKUP/PyTorch-YOLOv4.git

此处还参考了另一个github项目：PyTorch-YOLOv4

1. 将images,labels文件夹放到PyTorch-YOLOv4里的data文件夹中。
   由于images，labels文件夹较大，因此我们需要先将其压缩后上传，上传方式为将压缩文件直接拖入云盘网页
2. 将2007_train.txt 2007_test.txt文件放到PyTorch-YOLOv4里的data文件夹
3. 修改template.names, 里边就是classes内容，每行一个类
4. 修改template.data,修改类别个数classes
   2-4文件不大，可以直接通过云端硬盘上传，文件上传之后将他们都移至data文件夹，右击文件即可出现提示操作

配置相关环境

配置GPU

如上图所示点击代码执行程序，点击更改运行时类型，便可选择GPU

安装相关的库

运行上述语句，即可安装相关库，代码块如下：

%cd PyTorch-YOLOv4/

!pip3 install -r requirements.txt

下载权重文件

运行上面两行语句，但是发现并不能执行成功，出现错误提示如下：

经过分析发现wights文件下的download_weights.sh文件部分信息错误：

需将cat yolov4.weights.001 yolov4.weights.002 >> yolov4.weights改为cat 1ab142.001 mmkot2.002 >> yolov4.weights
修改后文件如下：

创建自己的模型配置

其中最后一行运行语句中的数字为自己需要识别的类别个数。
对应的代码块语句如下：

%cd ..

%cd config

!bash create_custom_model.sh 5#数字修改为自己识别个数

解压上传的images和labels压缩文件

运行语句训练模型

运行语句时，注意相关参数的修改，相关代码块如图所示

%cd ..

#第一个参数为自己模型配置的路径，第二个参数为自己数据集文件路径
!python3 train.py --model_def config/yolov4-custom.cfg --data_config data/template.data --pretrained_weights weights/pre/yolov4.conv.137

仔细观察运行结果，我们发现并没有运行成功，所以项目作者的源代码存在一些错误。

错误1：

经分析我们得出导入parse_model_config模块时出错，原因是parse_model_config在utils.parse_model中，而不是utils.utils。
因此我们找到出错的model.py文件，对相应内容修改即可，如上图所示。
修改的代码块为：

#此句存在错误
#from utils.utils import build_targets, to_cpu, parse_model_config

#改为如下语句
from utils.utils import build_targets, to_cpu
from utils.parse_config import parse_model_config

错误2：

修改错误1之后我们继续运行!python3 train.py --model_def config/yolov4-custom.cfg --data_config data/template.data --pretrained_weights weights/pre/yolov4.conv.137
但是我们发现它又出现了错误2提示：
根据提示，我们知道是路径出现了问题，多了一个"\"
最终我发现在train.py文件中出现了错误，于是我们对其进行如下修改：

修改的代码块如下：

    #此句存在错误
    #rootdir = os.path.abspath(os.path.dirname(__file__)) + '\\'
    
    #修改如下，将'\\'改为'/'
    rootdir = os.path.abspath(os.path.dirname(__file__)) + '/'

错误3：

修改完错误二后，再次运行`!python3 train.py --model_def config/yolov4-custom.cfg --data_config data/template.data --pretrained_weights weights/pre/yolov4.conv.137
我们又重新得到了一个错误3，错误提示如图所示：
经分析发现是传入参数错误，我们应该将运行语句改为：

!python3 train.py --model_def config/yolov4-custom.cfg --data_config data/template.data --pretrained_weights weights/yolov4.conv.137

错误4：

当我们执行上述语句时，则出现了错误4：
RuntimeError: shape ‘[256]’ is invalid for input of size 0
了解到的初步原因是：预训练模型yolov4.conv.137要求的图片大小是自身图片数据大小不一致
我的解决方案是：直接用最初始的权重文件yolov4.weights训练
即执行下面代码块：

!python3 train.py --model_def config/yolov4-custom.cfg --data_config data/template.data --pretrained_weights weights/pre/yolov4.weights

到此处时，便可以成功运行代码了，运行的结果如图所示：

错误5：

当运行完一个Epoch之后，新的问题又出现了。错误提示：

rootdir没有作为参数传入
于是我对如下地方进行了修改：
1.
我在test.py中的23和28行传入参数rootdir
2.

我在train.py中164行处传入参数rootdir

错误6：

这个错误原因为：
1. 路径存在/./
2. images文件夹不存在test2014
分析可知是由于一开始准备数据时出错。
我的解决方式是：

1. 修改之前准备数据集项目文件夹voc2007_for_yolo_torch-master中tools中的voc_label.py文件，如图所示：
   2. 将images文件夹中的val2014文件夹改为test2014文件夹，修改之后文件格式如下：
   

错误7：

接着我们又遇到这个错误：
错误提示为：RuntimeError: There were no tensor arguments to this function (e.g., you passed an empty list of Tensors), but no fallback function is registered for schema aten::_cat. This usually means that this function requires a non-empty list of Tensors. Available functions are [CPUTensorId, CUDATensorId, QuantizedCPUTensorId, VariableTensorId]
起初，我通过查阅资料得到：只要通过增加batch-size便可将问题解决
于是我将batch-size由默认的8改为16，12，10，9的时候都提示cuda is out of the memory;此外我还试验了4和6，但是提示的错误和起初8的错误是一样的。
后来我仔细读错误提示，发现是由于验证数据集时没有传入图片数据，判定为路径出错。于是我将lables文件夹中的val2014也改为了test2014，这样就确保了验证模型时有数据导入。

错误8：

继续运行代码，我发现已经检测完模型，正当我高兴的时候出现错误8：

错误提示：ap_table += [[c, class_names[c], “%.5f” % AP[i]]] IndexError: list index out of range
查阅资料发现是由于template.names文件输入待检测类别名称是最后一行未输入空格，在最后一行加入空格即可将问题解决。

输出训练好之后的模型

至此，所有在运行过程中的bug已经全部被排清，于是得到了训练完的模型文件，如图所示：
模型输出在checkpoints文件夹中，大家训练完后可自行查看。

一些细节

1. 由于电脑网络，电量等原因不能长时间训练模型，所以可以修改将模型迭代训练，从而达到实时保存的目的。实例代码块如下：

!python3 train.py --model_def config/yolov4-custom.cfg --data_config data/template.data --pretrained_weights weights/pre/yolov4.weights --epoch 1 --checkpoint_interval 1

其中一些参数说明如下：
–model_def config：自己构建的模型配置
–data_config：数据集文件
–pretrained_weights：训练的模型权重
–epoch：训练的批次数(代数)
–checkpoint_interval：保存模型的间隔数

2. 通过后来在colab上对准备自己的数据集复现（文档之前介绍的是在win10）的尝试，我发现其实在win10环境下实现会方便很多。因为准备数据集是一个繁琐的过程，很容易出现错误，所以需要对错误的数据集进行删除。colab移除后的数据集仍然存储在回收站中，因此需要在回收站对其进行进一步删除，但是如果数据量很多的时候，这是一个很痛苦的操作，但是在win10就只需要删除一次便可以全部删除。而且关键是如果没有对回收站内容进行删除时，你后来通过程序得到的数据集超出原本15G存储范围时，将会自动被删除。综上所述，如果不能确保数据集一次性正确的时候，还是在win10将自己数据集准备好在上传比较方便。

模型预测（检测）

模型训练好之后，便可以利用训练好的模型对我们需要预测的图片进行预测。

#预测数据集
!python3 detect.py --model_def config/yolov4-custom.cfg --weights_path checkpoints/yolov4_ckpt_51.pth --image_folder data/test --class_path data/template.names

其中的一些参数说明如下：
–weights_path：训练完毕的的模型权重文件
–image_folder：待预测的图片文件
–class_path：训练种类文件
以下是部分预测完成的结果：
为了体现yolov3和yolov4的精度区别，附上之前yolov3的预测结果：

通过对比我们可以发现，在原图像均未进行处理之前，yolov4的精度的确是比yolov3精度高一些的！

图像处理

由于水下环境复杂，所以很多图片都存在许多如光照不足，生物保护色，图像模糊等问题。于是我们需要对图像进行处理。具体的处理过程，可以参考团队成员的另一篇博客：

图像处理过后的训练及预测结果