提高yolov4目标检测的技巧

在训练之前该做些什么

• 设置.cfg文件中：random=1，通过对Yolo进行不同分辨率的训练，将提高精度。
• 增加.cfg文件中的网络分辨率(height=608, width=608或32的倍数)，这将提高精度。
• 检查您要检测的每个对象是否在数据集中被强制标记，数据集中的任何对象都不应没有标签。大部分的训练问题都是因为数据集中的错误标签（通过使用一些转换脚本或第三方工具来获取标签）。通过Yolo_mark来检查你的数据集。
• 我的Loss非常高，而mAP却很低，是训练出错了吗？在训练命令末尾使用-show_imgs标志运行训练，你是否看到正确的有界对象框？如果没有，那么是你的训练数据出错了。
• 对于要检测的每个对象，训练数据集中必须至少有一个相似的对象，并且它们具有大致相同的形状：对象的形状，侧面，相对大小，旋转角度，倾斜度和照明度。理想情况下，你的训练数据集应包含不同的图像：比例，旋转，亮度，不同侧面，不同背景的图像。你最好为每个类提供2000张或更多不同的图像，并且你应该训练 2000*classes 或更多的iter。
• 你的训练数据集要包括带有不想检测的为标记对象的图像-无边框的负样本(空的txt文件)，使用与带标记图像一样多的负样本。
• 标记对象的最佳方法是：仅标记对象的可见部分，或标记对象的可见和重叠部分，或标记比整个对象多一点（间隔）。根据你希望如何检测它来作标记。
• 为了对每个图像的大量对象进行训练，需要在cfg文件的最后一个[yolo]层或[region]层中添加参数 max=200 或更高的值(YoloV3可以检测到的对象的全局最大数量为0.0615234375*(width*height)，其中width和height是cfg文件中[net]部分的参数)。
• 对于小型和大型物体都要训练，使用修改后的模型：
  Full-model: 5 yolo layers: https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov3_5l.cfg
  可下载通过：https://download.csdn.net/download/Json111/12561626
  Tiny-model: 3 yolo layers: https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov3-tiny_3l.cfg
  可下载通过：https://download.csdn.net/download/Json111/12561628
  YOLOV4: 3 yolo layers: https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov4-custom.cfg
  可下载通过：https://download.csdn.net/download/Json111/12561631
• 如果你训练的模型将左右区分为单独的类(左右手，左右转道路标志等)，则禁止用翻转数据增强，在[net]中添加 flip=0 来禁用翻转数据增强。
• 通用规则：训练集应包括一组要检测的尺寸相当的目标：

train_network_width * train_obj_width / train_image_width ~= detection_network_width * detection_obj_width / detection_image_width

train_network_height * train_obj_height / train_image_height ~= detection_network_height * detection_obj_height / detection_image_height

即对于test数据集中的每个对象，train数据集中必须至少有一个对象具有相同的classid和相同的相对大小：

object width in percent from Training dataset ~= object width in percent from Test dataset

也就是说，如果训练集中仅存在占图像80-90%的对象，则受训练的网络将无法检测到占图像1-10%的对象。

• 加快训练速度(会降低检测精度)可以在cfg文件136行的参数设置为 stopbackward=1
• 每个对象模型，侧面，照明度，比例，转弯和倾斜的每个30度，从神经网络的内部角度来看，这些都是不同的对象。所以，要检测的对象越多，应该使用越复杂的网络模型。
• 为了使检测到的边界框更准确，可以向每个[yolo]层添加3个参数：ignore_thresh=.9, iou_normalizer=0.5, iou_loss=giou 并训练，它将增加[email protected]，但减小[email protected]。

训练之后检测要做写什么

通过在cfg文件中设置( height=608 和 width=608 ) 或 ( height=832 和 width=832 ) 或 (任何32的倍数) 来提高网络分辨率，这可以提高精度并可以检测到小物件：

• 不需要再次训练网络，只需要使用已经针对416*416分辨率进行训练的weight文件。
• 但是要获得更高的精度，应该使用更高分辨率的608608或832832进行训练，注意：如果发生 Out of memory 的错误，则在cfg文件中，应该增加 subdivisions=16, 32或64。