Ubuntu20.04实现darknet框架下yolov4检测车牌

YOLO v4论文：https://arxiv.org/abs/2004.10934
YOLO v4源码：https://github.com/AlexeyAB/darknet

给学妹写的教程，发上来作为学习记录吧，数据集用的是开源车牌数据集CCPD，本文章介绍的只是检测车牌框，并不带车牌识别功能。有错误或者有疑问的欢迎底下评论。

1、环境配置（亲测可用）

• Ubuntu 20.04
• CUDA 11.2
• cuDNN
• OpenCV_contrib 4.3.0
• OpenCV 4.3.0

2、下载安装

1.CUDA 11.2

• CUDA下载链接：官网下载
  百度网盘链接 提取码：9oi5
• CUDA安装

a.禁用集成的nouveau驱动

gedit打开blacklist.conf

sudo gedit /etc/modprobe.d/blacklist.conf

blacklist.conf末尾添加：

blacklist nouveau
options nouveau modeset=0

更新系统

sudo update-initramfs -u

重启系统

reboot

验证nouveau是否禁用(没有任何输出说明已经禁用)

lsmod | grep nouveau

b.运行cuda文件

sudo sh cuda_11.2.0_460.27.04_linux.run

如果之前已经安装过显卡驱动，这里就不需要选择第一个了
Install

添加环境变量

sudo gedit ~/.bashrc

在最后一行加上

export PATH=/usr/local/cuda-11.2/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-11.2/lib64:$LD_LIBRARY_PATH

激活环境变量

source ~/.bashrc

检测是否安装成功

nvidia-smi

nvcc -V

• cuDNN下载链接：官网下载(需要登录)
  百度网盘链接 提取码：80rv
• 解压cuDNN压缩包，并在文件夹下的cuda文件夹下打开终端
  
  将include和lib64文件夹下的内容复制到CUDA安装目录下对应名称的文件夹下

sudo cp -r include/* /usr/local/cuda/include/

sudo cp -r lib64/* /usr/local/cuda/lib64/

2.OpenCV

• 参考：OpenCV官网 友友的博客
• a.安装依赖

$ sudo apt-get install -y build-essential checkinstall cmake pkg-config yasm git gfortran
# 添加源，防止可能会出现的找不到所需安装的库的情况
$ sudo add-apt-repository -y "deb http://security.ubuntu.com/ubuntu xenial-security main"
$ sudo apt-get update
$ sudo apt-get install -y libgstreamer1.0-dev libgstreamer-plugins-base1.0-dev
$ sudo apt-get install -y libjpeg8-dev libjasper-dev libpng12-dev libtiff5-dev libavcodec-dev libavformat-dev libswscale-dev libdc1394-22-dev libxine2-dev libv4l-dev
$ sudo apt-get install -y libgstreamer1.0-dev libgstreamer-plugins-base1.0-dev libgtk2.0-dev libtbb-dev libatlas-base-dev libfaac-dev libmp3lame-dev libtheora-dev libvorbis-dev libxvidcore-dev libopencore-amrnb-dev libopencore-amrwb-dev x264 v4l-utils

• b.下载两个安装包
  OpenCV_contrib 4.3.0 github下载
  

  OpenCV 4.3.0 官网下载
  

• c.解压下载的两个压缩包，并在opencv-4.3.0文件夹下新建一个build文件夹

• d.安装cmake-gui
  

• e.
  设置Where is the source code为 /home/joy/下载/opencv-4.3.0（安装包所在位置）
  设置Where to build the binaries为 /home/joy/下载/opencv-4.3.0/build
  点击Configure
  点击Generate
  

• f.点击Finsh
  

• g.选择需要的参数（✔或者选择路径）
  官方参数说明，友友们根据需要选择

CMAKE_BUILD_TYPE = RELEASE
WITH_QT = √ #使用QT支持
WITH_OPENGL = √ #
OPENCV_EXTRA_MODULES_PATH= /home/joy/opencv-4.3.0/build #opencv_contrib modules路径

• h.点击Configure
  如果报错提示缺少xxx包
  参考：https://blog.csdn.net/a985588764/article/details/103494670
  https://blog.csdn.net/AlexWang30/article/details/99612188

• i.Config成功后点击Generate

• j.make编译安装

#使用nproc确定CPU核心数
$ nproc
$ make -j6 #根据CPU核心数确定编译线程数
$ sudo make install #安装

3、编译Darknet

1.下载安装VS Code

官网下载

2.本地代码与github同步

  根据需要选择，不需要的也可以直接在AlexeyAB的仓库中下载压缩包在VS Code中打开

• a.安装插件
  

• b.登录github
  

• c. fork yolov4仓库并克隆到VS Code中，选择一个文件夹保存到本地
  

• 现在就可以愉快的commit、push到远程github仓库上了
  

3.编译

• 编辑Makefile文件
  
  Makefile官方说明
  
• make编译
  
  编译成功后会生成如图darknet文件
  

4、准备数据

1.生成标注文件（txt）

标注框信息从图片名称中提取，而由于只有一个类（plate），默认标签为0，图片和txt文件要放在一个文件夹下

import os
import re
import cv2
root_path = r'/home/joy/SXH/tensorflow-yolov4-tflite/data/CCPD2019/images/'  # 根据本地自己路径进行更改
file_name = os.listdir(root_path)


def convert(size, box):
    dw = 1. / size[0]
    dh = 1. / size[1]
    x = (box[0] + box[1]) / 2.0
    y = (box[2] + box[3]) / 2.0
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return x, y, w, h


for image_id in file_name:
    id = image_id.split('.')[0]
    out_file = open('/home/joy/SXH/tensorflow-yolov4-tflite/data/CCPD2019/images/%s.txt' % id,
                    'w')  # 需要保存的txt格式文件路径
    img = cv2.imread((root_path + image_id))
    height = img.shape[0]
    width = img.shape[1]
    point = image_id.split('.')[0].split('-')[3]
    # Xmin = point.split('_')[2].split('&')[0]
    num = re.findall('\d+\d*', point)  # 正则表达式 从字符串中提取数值
    Xmin = min(num[0::2])  # list[start:stop:step]
    Ymin = min(num[1::2])
    Xmax = max(num[0::2])
    Ymax = max(num[1::2])
    b = (float(Xmin), float(Xmax), float(Ymin),
         float(Ymax))
    bb = convert((width, height), b)
    out_file.write('0' + " " + " ".join([str(a) for a in bb]) + '\n')
print('end')

2.修改配置文件

• a.生成plate_train.txt和plate_val.txt
  复制/CCPD2019/splits/下的两个txt文件到darknet/data/下并分别改名为plate_train.txt和plate_val.txt
  修改txt文件内的路径为自己的本地数据集路径(相对路径和绝对路径都可以)
  
  
• b.在darknet/data/下新建plate.data文件

classes = 1  #类别数量
train = data/plate_train.txt
valid = data/plate_val.txt
#valid = data/coco_val_5k.list
names = data/plate.names
backup = backup/  # 保存模型的位置

• c.在darknet/data/下新建plate.names文件

plate

• d.复制darknet/cfg/下yolov4-custom.cfg文件到darknet文件夹下，并重命名为yolov4-plate.cfg
• e.修改yolov4-plate.cfg文件
  官方说明
  

[net]
# Testing
#batch=1
#subdivisions=1
# Training
batch=32  # 如果显存不够就调小一点
subdivisions=64
width=512
height=512

max_batches = 6000
policy=steps
steps=4800,5400
scales=.1,.1

#cutmix=1
mosaic=1

#:104x104 54:52x52 85:26x26 104:13x13 for 416

共三处如下图片修改（一样的内容）

[convolutional]
size=1
stride=1
pad=1
filters=18
activation=linear


[yolo]
mask = 0,1,2
anchors = 12, 16, 19, 36, 40, 28, 36, 75, 76, 55, 72, 146, 142, 110, 192, 243, 459, 401
classes=1
num=9
jitter=.3
ignore_thresh = .7
truth_thresh = 1
scale_x_y = 1.2
iou_thresh=0.213
cls_normalizer=1.0
iou_normalizer=0.07
iou_loss=ciou
nms_kind=greedynms
beta_nms=0.6
max_delta=5

• f.下载预训练模型
  百度网盘链接
  提取码：1plh

5、训练模型

 ./darknet detector train data/plate.data yolov4-plate.cfg yolov4.conv.137 -map

如图表示开始训练
训练结束（模型保存在darknet/backup/文件夹下）

6、测试模型

修改yolov4-plate.cfg文件

[net]
# Testing
batch=1
subdivisions=1
# Training
#batch=32
#subdivisions=64
width=512
height=512
channels=3

测试命令

./darknet detector test data/plate.data yolov4-plate.cfg backup/yolov4-plate_best.weights 

输入测试图片路径
输出结果