【跑代码2】win10训练mobilenet-yolov4-lite-pytorch并在租用的GPU上训练自己的数据集

一、win10训练mobilenet-yolov4-lite-pytorch

1.下载代码：GitHub - bubbliiiing/mobilenet-yolov4-lite-pytorch: 这是一个mobilenet-yolov4-lite的库，把yolov4主干网络修改成了mobilenet，修改了Panet的卷积组成，使参数量大幅度缩小。参考博客：睿智的目标检测49——Pytorch 利用mobilenet系列（v1,v2,v3）搭建yolov4-lite目标检测平台_Bubbliiiing的学习小课堂-CSDN博客

这个不是官方yolov4代码，是修改主干网络后的代码。

官方pytorch代码：GitHub - Tianxiaomo/pytorch-YOLOv4: PyTorch ,ONNX and TensorRT implementation of YOLOv4

2.准备数据集

自己写的一个批量重命名

import os


from shutil import copy

path="D:/Research direction/data set/DL data/VOCdevkit DL/VOC2007/JPEGImages"
out="D:/code/mobilenet-yolov4-lite-pytorch-main/VOCdevkit/VOC2007/JPEGImages"

#获取文件列表
allfilelist=os.listdir(path)  #获取子文件夹名
allfilelist.sort(key=lambda x: int(x[4:]))   #第四个字符以后的字符串转化为数字并进行排序
    # print(allfilelist)
    # print(len(allfilelist))
index = 1
for file in allfilelist:
    filepath = os.path.join(path, file)
    img_names = os.listdir(filepath)  #获取子文件夹中的文件名
    img_names.sort(key=lambda x: int(x[:-4]))  #倒数第五个字符以前的字符串转化为数字并进行排序
    # print(img_names)
    # 打印文件夹下的数量
    # print(len(img_names))
    # 循环读取文件，批操作文件名重命名

    for item in img_names:
            if item.endswith('.bmp'):  # 文件格式
                src_path = os.path.join(os.path.abspath(filepath), item)
                dst_path = os.path.join(os.path.abspath(out), '' + str(index) + '.bmp')
                copy(src_path, dst_path)
                index = index + 1

3.修改相关文件

修改voc_class.txt为自己数据集类别

修改voc_annotation.py中annotation_mode=0,并运行

 4.训练

下载预训练权重模型

训练时报错如下

原因是数据集中图片为bpm格式，而不是jpg

 把jpg改成bmp即可

二、预测（可视化查看结果）

修改yolo.py里的model_path

运行predict.py,输入img/street.jpg（自己图片）

三、评估

get_map.py修改class_path

yolo.py修改model_path,class_path

运行get_map.py,结果保存在map_out中

完成以上步骤，在自己的win10里面跑通了。

---

在租用的GPU上跑（先完成前面的步骤）

1.上传数据+代码文件

2.运行voc_annotation.py区分训练集和测试集

此时报错：No such file or directory...

 是与GPU同步出现问题 ，修改划线处解决！

3.训练结束后进行预测或评估

记得修改yolo.py修改model_path！！

完成！