YOLOV4:从零开始安装&训练自己的数据集

系统环境

Centos7 opencv-4.1.0  gcc-4.8.5 cuda-10.0

CUDA安装

具体可以参考博文Centos7离线安装nvidia驱动的两种方法，推荐使用方法2，编译时需要ncvv，需添加如下环境变量到~/.bashrc

CUDA_HOME=/usr/local/cuda
export PATH=$CUDA_HOME/bin:$PATH

opencv4安装

这里选用opencv-4.1.0 ，它和yolov4发布的时间比较接近，理论上最新版也没有问题
官方安装文档：https://docs.opencv.org/master/d7/d9f/tutorial_linux_install.html

安装

注意**-D OPENCV_GENERATE_PKGCONFIG=ON** 须加上，YOLO编译时用到，具体可以参考博客YOLOV4:opencv4编译问题

cd opencv-4.1.0
mkdir build
cd build
cmake -D OPENCV_GENERATE_PKGCONFIG=ON -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..
make -j4
sudo make install

测试

若有如下类似输出，则安装无误

[javis@node4 build]$ pkg-config --cflags --libs opencv4
-I/usr/local/include/opencv4/opencv -I/usr/local/include/opencv4  -L/usr/local/lib64 -lopencv_dnn -lopencv_gapi -lopencv_ml -lopencv_objdetect -lopencv_photo -lopencv_stitching -lopencv_video -lopencv_calib3d -lopencv_features2d -lopencv_highgui -lopencv_flann -lopencv_videoio -lopencv_imgcodecs -lopencv_imgproc -lopencv_core  

YOLOv4安装

Git地址：https://github.com/AlexeyAB/darknett
Linux安装还是挺简单，若你只使用默认配置，make一下就行了，但是为了支持CUDA和OPENCV，需要额外配置一下，修改Makefile

GPU=1
CUDNN=1
OPENCV=1 

训练SeaShips数据集

SeaShips数据集：数据集共有7000张图片，图片分辨率均为1920x1080，分为六类船只(数据地址)

生成cfg模型配置文件

复制darknet-master/cfg/yolov4-custom.cfg为yolov4-ship.cfg，并修改部分参数，其他参数视情况而定

classes=6 #有3处都在[yolo]配置下，可以使用查找替换
filters=33 #有3处都在[yolo]配置上方，需要一个一个修改，其值=(classes + 5)x3)
max_batches = 12000  #其值=classes*2000
steps=9600,10800 #其值=(max_batches*0.8,max_batches*0.9)

数据文件

目标：在darknet-master/data生成如下数据文件

VOC2007 #数据集文件夹
ship.data #数据说明文件
ship.names #类别名称
train.txt #存放训练集的图片路径
val.txt #存放验证集的图片路径
#voc2txt.py #生成yolo_raw_txt标签和划分数据集，文件地址在博客末尾

把SeaShips数据集(VOC2007)解压到darknet-master/data/并新建文件ship.data，保存内容如下

classes= 6
train  = data/train.txt
valid  = data/test.txt
names = data/ship.names
backup = backup/

train和valid为保存为数据集划分的内容；names为类别名称列表；backup为保存训练模型路径
data/train.txt：(一行一张图片地址，ship为存放图片的文件夹)

data/VOC2007/JPEGImages/000001.jpg
data/VOC2007/JPEGImages/000002.jpg
data/VOC2007/JPEGImages/000003.jpg
data/VOC2007/JPEGImages/000004.jpg
data/VOC2007/JPEGImages/000005.jpg
data/VOC2007/JPEGImages/000006.jpg

data/ship.names：(一行一个类别名称)

ore carrier
container ship
bulk cargo carrier
general cargo ship
fishing boat
passenger ship

数据集的标签与图片在同一目录，如 VOC2007/JPEGImages/006983.jpg对应的label为VOC2007/JPEGImages/006983.txt
006983.txt：

1 0.091406 0.486574 0.130729 0.097222
1 0.788542 0.511574 0.051042 0.041667

一行一个object，分别表示框体的类别，框体中心x坐标，框体中心的y坐标，框体的宽，框体的高。这里需要注意所有值都为相对值，即坐标和宽高都要除以图片的宽高。voc->yolo数据集的转换，yolo也提供了API函数，就是解析xml，然后进行坐标转换。

模型训练

./darknet detector train data/ship.data cfg/yolov4-ship.cfg yolov4.conv.137

模型训练就一行命令，加载对应配置文件，其中yolov4.conv.137为模型的预训练权重，训练时会在当前目录下生成模型的loss曲线图(chart.png)

模型预测

./darknet detector test data/ship.data cfg/yolov4-ship.cfg backup/yolov4-ship_last.weights data/ship/006983.jpg -ext_output

以验证集中的图片006983.jpg为例，程序运行完成会在当前目录下生成预测图片predictions.jpg

voc2txt.py: https://pan.baidu.com/s/1RJeQCPoKR_swhEePUrw5AA 提取码: kfgy