pytorch版本YOLOV4配置和使用

目录

 

第一步，下载pytorch 源码

第二步，下载预训练模型

第三步，生成数据文件

第四步，训练

---

第一步，下载pytorch 源码

pytorch版本yolov4源码地址，感谢源码作者：

https://github.com/Tianxiaomo/pytorch-YOLOv4

第二步，下载预训练模型

源码作者提出两种方法：

1、下载darknet提供的weights文件，然后用他的代码进行转换（test成功，train的时候失败，不建议使用）；

       这种方法经过尝试之后，发现，根据作者提供的源码，权重文件可以成功转换并使用，但是无法利用转换好的权重文件进行训练；原因是各个层的名称与作者定义网络的名称不一致；

     demo.py 使用darknet的weights；

      用darknet2pytorch.py 转为pth的模型；

      用程序models.py来测试转化好的模型；

2、下载作者训练好的权重文件（推荐）：

作者给出了百度网盘的地址：

baidu

• yolov4.pth(https://pan.baidu.com/s/1ZroDvoGScDgtE1ja_QqJVw Extraction code:xrq9)
• yolov4.conv.137.pth(https://pan.baidu.com/s/1ovBie4YyVQQoUrC3AY0joA Extraction code:kcel)

第三步，生成数据文件

作者给出的：

For coco dataset,you can use tool/coco_annotatin.py.

# train.txt
image_path1 x1,y1,x2,y2,id x1,y1,x2,y2,id x1,y1,x2,y2,id ...
image_path2 x1,y1,x2,y2,id x1,y1,x2,y2,id x1,y1,x2,y2,id ...

生成的数据文件是作者给出的格式，第一列是图像路径，最好为绝对路径，后面是空格接，目标的左上角横坐标x1，左上角纵坐标y1，右下角横坐标x2，右下角纵坐标y2,区域类别标号，接空格，。。。。

无论用何种方法，能够生成该文件即可，由于我的标记数据是VOC格式的，所以我自己写代码把标记转为VOC格式；

如何生成数据以及相应的代码在：https://blog.csdn.net/h649070/article/details/107556454

第四步，训练

首先需要修改cfg.py文件的以下几个地方：

1、加入：

Cfg.gpu = '0'
Cfg.pretrained = 'path to yolov4.conv.137.pth'
Cfg.dataset_dir = ''

2、Cfg.batch = 16  修改为合适的值

3、Cfg.classes = 80 修改为实际值

4、修改为第三步中生成文件的路径；

Cfg.train_label = 'data/train.txt'
Cfg.val_label = 'data/val.txt'

5、修改中间结果路径，checkpoints 和 log的；

Cfg.checkpoints = 'checkpoints'
Cfg.TRAIN_TENSORBOARD_DIR = 'log'

开始训练即可；

这里有个坑，当pytorch版本不合适的时候，会出现一些错误，根据错误类型去修改版本

第五步：测试

 用程序models.py来测试转化好的模型；

如有侵权，联系作者删除谢谢。