Yolo V4训练自己的数据

Yolo v4在自己的数据集上的训练

目标检测一大堆，yolo系列真香。

不写代码，只是代码的搬运工。

数据集制作

一、Yolo v4的安装

官方代码库的更新太频繁了，索性直接克隆一版，地址：

https://github.com/AlexeyAB/darknet.git

整个过程不要太简单，依次安装 CUDA=10.0、CuDNN>7.0、OpenCV，最后克隆代码，make -j8一键搞定。

实在不济，还有一大把的博客参考，比如：

https://blog.csdn.net/ly_twt/article/details/105748280

二、下载预训练模型

github太慢，Google drive无法访问？不要仅，百度网盘已经有大佬搬运过了，谢谢大佬！

https://blog.csdn.net/yapifeitu/article/details/105756274

链接：https://pan.baidu.com/s/1XrcPHdp2_4c-dKge2Guw4w
提取码：xsxb

暂时还不直到Ubuntu下怎么下载百度云文件，之前的Ubuntu版百度云不能用了。心塞中。。。

二、训练

官方文档：https://github.com/AlexeyAB/darknet#how-to-train-to-detect-your-custom-objects

0. 准备

预训练权重文件 yolov4.conv.137，百度云在上边。

1. 创建配置文件 yolov4-obj.cfg

直接复制 yolov4-custom.cfg 并重命名为 yolov4-obj.cfg。文件名可根据爱好，后边一致即可。

然后对文件做以下修改：

• 修改batch为 batch=64
• 修改subdivisions为subdivisions=16
• 修改max_batches为classes*2000，即分类数乘2000，但不能小于 4000。如三类 max_batches=6000
• 修改steps为max_batches的80%和90%，即 step=4800,5400
• 修改网络大小 width=416 height=416或 32的整数倍
• 修改3个[yolo]层中的 classes=80为自己数据的分类数，如 classes=3
• 修改每一个[yolo]层之前的[convolutional]层中的filters=255为 filters=(classes+5)*3，需要注意的是只需要修改[yolo]层之前的最后一个[convolutional]层，即只修改3个，整个文件中共有110个。如 三类中filters=24
• 当使用 [Gaussian_yolo]层时，修改每一个 [Gaussian_yolo] 层之前 [convolutional] 层中的 filter=57为 filter=(classes + 9)*3，共有3个[Gaussian_yolo] 层。如三分类中 filter=36

2. 创建文件 obj.names

在data目录下创建obj.names文件，每行一个物体类别名称。

3. 创建文件 obj.data

在 cfg 目录中创建 obj.data 文件，内容如下：

classes= 3
# train.txt的路径
train = train.txt
valid = test.txt
names = data/obj.names

路径根据自己具体情况修改。

4. 开始训练

./darknet detector train data/obj.data yolo-obj.cfg yolov4.conv.137
# 在训练时每4个Epoch计算一次mAp
./darknet detector train data/obj.data yolo-obj.cfg yolov4.conv.137 -map

5. 验证

./darknet detector map data/obj.data yolo-obj.cfg backup\yolo-obj_7000.weights

该过程在valid数据集上检测，并计算mAp。

三、问题

1. CUDA out of memory

修改 yolov4_obj.cfg 中的 batch 更小一点。如从64改为32。

darknet还有很多需要学习的地方，加油！！