利用yolov4快速训练学习模型

前言

本次训练利用到了 https://github.com/bubbliiiing/yolov4-keras,修改了部门内容上传到个人仓库。
https://github.com/wallEVA96/yolov4-keras中， 本文主要是对训练过程的学习总结。
首先确保vs code 支持 git bash，这个能极大方便我们代码跟踪和终端的命令行控制。

1. 先安装 git bash 到电脑上，
2. 进入vs code的 Terminal › Integrated › Automation Shell: Windows
3. 添加如下 配置：
   {
   “explorer.confirmDelete”: false,
   “python.showStartPage”: false,
   “workbench.startupEditor”: “newUntitledFile”,
   “terminal.integrated.shell.windows”: “F:/Program Files (x86)/Git/bin/bash.exe”,
   “explorer.confirmDragAndDrop”: false,
   “terminal.integrated.automationShell.windows”: “”
   }

训练步骤

通过https://github.com/wallEVA96/yolov4-keras仓库中的downloa_img.py从百度下载科比的图片数据到 VOCdevkit\VOC2007\JPEGImage,确保之后有可标志的图片数据可以使用。
0. 下载预训练权重文件，用于之后的模型迁移学习，放到model_data文件夹。
链接：https://pan.baidu.com/s/1a87loCG68p3vFhTQXwziog
提取码：o5sh

1. 首先先通过labelImg的工具，生成数据集到VOCdevkit\VOC2007的Annotation和JPEGImages文件夹中， 比如科比的图像数据集。
2. 运行VOCdevkit\VOC2007\voc2yolo4.py之后，会在
   yolov4-keras\VOCdevkit\VOC2007\ImageSets下生成 test.txt train.txt trainval.txt val.txt， 这些用于yolo训练文件索引
3. 运行 voc_annotation.py文件，会根据上述的索引文件，将我们的数据集文件生成出带标签信息的索引文件** 2007_val.txt 2007_train.txt 2007_val.txt**， 这些文件之后将用于模型的训练。
4. 运行 kmeans_for_anchors.py 代码 ，用于生成先验框文件 yolo_anchors.txt， 该文件位于 model/data
5. 运行train.py文件， 记得修改一下train代码文件里面的路径。 ，最终，生成的权重文件放在了logs文件下。

    annotation_path = '2007_train.txt'
    # 获取classes和anchor的位置
    classes_path = 'model_data/gt_classes.txt'
    anchors_path = 'model_data/yolo_anchors.txt'
    #------------------------------------------------------#
    # 权值文件
    weights_path = 'logs/ep062-loss21.590-val_loss21.515.h5'

6. 等训练结束之后， 修改一下yolo.py文件中的 "model_path": 'model_data/kobe.h5' 为"model_path": 'logs/last1.h5', 运行 predict.py 之后输入要预测的文件名， 便可以进行目标检测。如下是训练效果图：