yolov4的cfg文件怎么生成_yolov4——训练自己的数据集(完整版)

好了，多的也不说，直接开始吧！

1.下载预训练的好权重文件 yolov4.conv.137,放在build/darknet/x64/下

2.创建配置文件：在darknet-master/cfg/下，创建yolo-obj_fre.cfg：

这个文件里面的内容跟cfg/yolov4-custom.cfg类似，只是有几个地方需要修改

1) batch=8 #依据你电脑的显存大小而定，尽量设大一点

2) subdivisions=64 # 这里最好设为64，不然训练的时候会报错

3) max_batches=8000 #classes*2000

4) steps=6400,7200 #max_batches*0.8,max_batches*0.9

5) 修改3个[yolo]下classes=4 #你要训练的类别数

6) 修改3个[yolo]上面filters=27 #filters=(classes + 5)x3，注意只修改每个[yolo]上面最后一个conv的filters

3.在build\darknet\x64\data\下，创建fre.names文件，其中每一行写上一个你要训练的一个类别，eg：

apple

bickly

cell

bag

4.在build\darknet\x64\data\下，创建fre.data文件:

classes= 4

train = build/darknet/x64/data/train.txt # 这个下面说，train.txt里面存放着训练图片的存放路径

valid = build/darknet/x64/data/test.txt #

names = build/darknet/x64/data/fre.names # 步骤3创建的fre.names

backup = backup/

注：下面步骤5，6均用代码完成

5.为每一张训练图片创建一个.txt文件。 例如 img1.jpg，那么你就创建img1.txt，这个文件里面包含：

1 0.716797 0.395833 0.216406 0.147222

0 0.687109 0.379167 0.255469 0.158333

1 0.420312 0.395833 0.140625 0.166667

注意，这个创建的img1.txt与训练图片img1.jpg在同一个文件夹里，eg：build/darknet/x64/data/obj

class_id、x_center 、y_center、width、height

注意上面的x_center y_center width height的数值都是相对图片的尺度而言的，即：

x_center = x / image_width

y_center = y / image_height

width = gt_width / image_width

height = gt_height / image_height

那么问题来了，如何将labelimg的标签(xml文件)转换为yolov4的标签格式，我们通过代码来实现，但是先不急，先把步骤6讲完，再用代码一起实现步骤5、6。

6.在build/darknet/x64/data/下，创建train.txt文件，里面保存训练图片文件的路径：

data/obj/img1.jpg

data/obj/img2.jpg

data/obj/img3.jpg

好了，下面奉上代码：xml_to_txt.py

# -*- coding: utf-8 -*-

# ——author—— = “调得一手好参”

# Email : [email protected]

# time : 2020.5.12

# function: 将xml文件转为yolo的标签

import os

import argparse

import xml.etree.ElementTree as ET

import glob

def xml_to_txt(data_path,anno_path,path,use_difficult_bbox=False):

classes = ['am','fm','gsm','qpsk']

image_inds = file_name(data_path+"train_label/") #遍历xml文件

with open(anno_path, 'a') as f:

for image_ind in image_inds:

img_txt = data_path + 'obj/'+ image_ind + '.txt'

img_txt_file = open(img_txt, 'w')

image_path = os.path.join(data_path, 'obj/', image_ind + '.jpg')

label_path = os.path.join(data_path, 'train_label', image_ind +'.xml')

root = ET.parse(label_path).getroot()

objects_size = root.findall('size')

image_width = int(objects_size[0].find('width').text)

image_height = int(objects_size[0].find('height').text)

objects = root.findall('object')

for obj in objects:

difficult = obj.find('difficult').text.strip()

if (not use_difficult_bbox) and(int(difficult) == 1):

continue

bbox = obj.find('bndbox')

class_ind = str(classes.index(obj.find('name').text.lower().strip()))

xmin = int(bbox.find('xmin').text.strip())

xmax = int(bbox.find('xmax').text.strip())

ymin = int(bbox.find('ymin').text.strip())

ymax = int(bbox.find('ymax').text.strip())

x_center = str((xmin + xmax)/(2*image_width))

y_center = str((ymin + ymax)/(2*image_height))

width_ = str((xmax - xmin)/(image_width))

height_ = str((ymax - ymin)/(image_height))

class_ind += ' ' + ','.join([x_center+' '+y_center+' '+width_+' '+height_])

img_txt_file.write(class_ind + "\n")

f.write(image_path + "\n")

def file_name(file_dir):

L = []

for root, dirs, files in os.walk(file_dir):

for file in files:

if os.path.splitext(file)[1] == '.xml':

L.append(file.split(".")[0])

return L

if __name__ == '__main__':

num1 = xml_to_txt('./build/darknet/x64/data/','./build/darknet/x64/data/train.txt','train')

# num2 = convert_voc_annotation('./data/', './data/test.txt', False)

print('done')

快速使用代码：

1)将xml_to_txt.py放在darknet-master目录下

2)将xml文件放在 ./build/darknet/x64/data/train_label

3)将训练图片文件放在 ./build/darknet/x64/data/obj

4)运行代码

在./build/darknet/x64/data/下生成 train.txt文件

在./build/darknet/x64/data/obj/ 下生成 img.txt

7. 训练：(linux)

./darknet detector train build/darknet/x64/data/fre.data cfg/yolo-obj_fre.cfg build/darknet/x64/yolov4.conv.137

windows下只需要将上面的./darknet改为darknet.exe

原文链接:https://blog.csdn.net/qq_38800014/article/details/106094605