深度学习实战 | WIN10环境下配置Darknet并使用Yolov4-tiny训练Gun-and-Sword数据集
目录
一、准备工作
（一）环境配置
1. cuda和cudnn
2. Visual Studio配置
3. opencv安装
（二）Darknet安装
1. 下载源文件
2. 编译项目
二、使用Yolov4-tiny进行训练
（一）数据集标注
（二）模型配置
1. 模型文件修改
2. 下载预训练权重
（三）模型训练
（四）模型测试及效果
三、参考资料
一、准备工作
（一）环境配置
1. cuda和cudnn
配置cuda11.1+cudnn v8.2.1，这里提供相应的下载链接，可以去官网下最新的，安装步骤都差不多。
cuda11.1：链接：https://pan.baidu.com/s/17FsL7v255mRw_IGMXflaFQ 提取码：4ycb
cudnn v8.2.1：链接：https://pan.baidu.com/s/1LNtWPkXZk4dRbMRhFPGUaQ 提取码：6drh
下载好之后先点开cuda_11.1.0_456.43_win10.exe，出现下图
选定一个目录作为cuda的临时存放目录，点击"OK"，等待提取完毕。
等待提取完毕后会弹出安装界面
点击“同意并继续”，再选择自定义，简单粗暴，全部勾选上
下一步选择安装位置，默认在C盘。记住这个位置，点击下一步进行安装并等待安装完毕。
安装完cuda后找到刚刚安装cuda的位置，我这里是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1，将cudnn-11.3-windows-x64-v8.2.0.53.zip中cuda文件夹中的bin，include，lib目录下的文件复制到上面那个目录中对应的bin，include，lib中即可完成配置。在cmd中输入nvcc -V可查看cuda版本。
2. Visual Studio配置
Visual Studio主要用来编译Darknet生成可执行的Darknet.exe，本文使用VS2015。
VS2015下载：Visual Studio Older Downloads - 2017, 2015 & Previous Versions (microsoft.com)
找到下面找到VS2015然后点“下载”
找到Visual Studio Community 2015再点“Download”就可以下载VS2015的镜像了。
下好之后用UltraISO把镜像里的文件提取出来，装好UltraISO之后右键镜像就会有UltraISO的选项，点击它就可以提取文件了。提取出来之后，文件如下图。
点击“vs_community”，选好路径完成安装即可，要是提示有些包安装不了可以在安装界面那里设置搜索包的路径为packages目录。
3. opencv安装
下载链接：Download OpenCV from SourceForge.net
下载完后打开选择文件提取路径即可，后面编译darknet时会用到。我这里把它提取到了C:\Users\jiebi\Downloads\opencv。
（二）Darknet安装
1. 下载源文件
本文使用AlexeyAB版的Darknet。
AB版darknet下载链接：GitHub - AlexeyAB/darknet: YOLOv4 / Scaled-YOLOv4 / YOLO - Neural Networks for Object Detection (Windows and Linux version of Darknet )
下载后把它解压到桌面，文件大致内容如下。
2. 编译项目
进入bulid下的darknet文件夹中，用编辑器编辑darknet.vcxproj，找到下图的两个地方，将CUDA后的数字改为11.1（如果不是11.1的话）。
然后进入C:\Program Files (x86)\MSBuild\Microsoft.Cpp\v4.0\BuildCustomizations，查看是否有下图四个文件，没有的话就到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\extras\visual_studio_integration\MSBuildExtensions下拷贝过来。
接着配置opencv。用vs2015打开darknet.sln，右键右边的darknet，点击“属性”。
在顶部“配置”和“平台”选择release和x64，再选中左边的“VC++”目录。选中右边的“包含目录”，点击右边的下拉箭头，选择“编辑”。
在上面的框输入前面opencv提取目录下的bulid\include，bulid\include\opencv和bulid\include\opencv2，如下图，然后点击确定。
继续在darknet属性页下选中“库目录”， 在上面的框输入前面opencv提取目录下的bulid\x64\vc14\lib。
点击确定后回到属性页，在右边找到“链接器”，点开并选中“输入”，选中右边的“附加依赖项”，点击右边的下拉箭头进入编辑。在上面的框框中输入opencv提取目录中\build\x64\vc14\lib下的库文件（没有d结尾的那个）。
点击确定，回到IDE，点击选项卡中的“生成”--“生成darknet”，等待编译完成。完成后会在darknet-master\build\darknet目录下生成x64文件夹，里面就有我们需要用到的darknet.exe。
二、使用Yolov4-tiny进行训练
（一）数据集标注
本文使用VOTT来标注数据集。
VOTT下载链接：https://github.com/microsoft/VoTT/releases/download/v1.7.0/vott-win.exe
下载完后打开会自动安装。
进入主界面，在File--Open Image Directory中选择图片所在目录，然后选择好Region Type并输入图片物体标签后点击continue。
用鼠标在图片上选取目标所在的区域，然后在左下角选择目标对应的标签。点击双箭头可切换到下一张图片。全部标记完后点击Object Detection -- Export Tag，选择输出格式为YOLO，然后点击“Export”导出。
VOTT生成的文件如下
进入data目录
最后将data目录下的文件都拷贝到x64文件夹下的data目录中。
（二）模型配置
（这里我配置了好几个模型训练的效果都不太好，所以参考了https://blog.csdn.net/weixin_43850253/article/details/118220395的模型）
1. 模型文件修改
将x64文件夹下的yolov4-tiny复制一份，重命名为yolov4-tiny-mytrain.cfg。修改文件中subdivisions的值为8，max_batches为6000，steps为4800,5000，yolo层前一个卷积层的filters为21（Ctrl+F搜索yolo）以及yolo层的classes为2，保存。文件内容如下。
[net]
# Testing
#batch=1
#subdivisions=1
# Training
batch=64
subdivisions=8
width=416
height=416
channels=3
momentum=0.9
decay=0.0005
angle=0
saturation = 1.5
exposure = 1.5
hue=.1
learning_rate=0.00261
burn_in=1000
max_batches = 6000
policy=steps
steps=4800,5400
scales=.1,.1
[convolutional]
batch_normalize=1
filters=32
size=3
stride=2
pad=1
activation=leaky
[convolutional]
batch_normalize=1
filters=64
size=3
stride=2
pad=1
activation=leaky
[convolutional]
batch_normalize=1
filters=64
size=3
stride=1
pad=1
activation=leaky
[route]
layers=-1
groups=2
group_id=1
[convolutional]
batch_normalize=1
filters=32
size=3
stride=1
pad=1
activation=leaky
[convolutional]
batch_normalize=1
filters=32
size=3
stride=1
pad=1
activation=leaky
[route]
layers = -1,-2
[convolutional]
batch_normalize=1
filters=64
size=1
stride=1
pad=1
activation=leaky
[route]
layers = -6,-1
[maxpool]
size=2
stride=2
[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky
[route]
layers=-1
groups=2
group_id=1
[convolutional]
batch_normalize=1
filters=64
size=3
stride=1
pad=1
activation=leaky
[convolutional]
batch_normalize=1
filters=64
size=3
stride=1
pad=1
activation=leaky
[route]
layers = -1,-2
[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky
[route]
layers = -6,-1
[maxpool]
size=2
stride=2
[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky
[route]
layers=-1
groups=2
group_id=1
[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky
[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky
[route]
layers = -1,-2
[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky
[route]
layers = -6,-1
[maxpool]
size=2
stride=2
[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky
##################################
[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky
[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky
[convolutional]
size=1
stride=1
pad=1
filters=21
activation=linear
[yolo]
mask = 3,4,5
anchors = 10,14, 23,27, 37,58, 81,82, 135,169, 344,319
classes=2
num=6
jitter=.3
scale_x_y = 1.05
cls_normalizer=1.0
iou_normalizer=0.07
iou_loss=ciou
ignore_thresh = .7
truth_thresh = 1
random=0
resize=1.5
nms_kind=greedynms
beta_nms=0.6
[route]
layers = -4
[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky
[upsample]
stride=2
[route]
layers = -1, 23
[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky
[convolutional]
size=1
stride=1
pad=1
filters=21
activation=linear
[yolo]
mask = 1,2,3
anchors = 10,14, 23,27, 37,58, 81,82, 135,169, 344,319
classes=2
num=6
jitter=.3
scale_x_y = 1.05
cls_normalizer=1.0
iou_normalizer=0.07
iou_loss=ciou
ignore_thresh = .7
truth_thresh = 1
random=0
resize=1.5
nms_kind=greedynms
beta_nms=0.62. 下载预训练权重
下载https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v4_pre/yolov4-tiny.conv.29到x64文件夹中。
（三）模型训练
在shell中输入
darknet.exe detector train data/obj.data cfg/yolov4-tiny-mytrain.cfg yolov4-tiny.conv.29 -map开始训练。训练时会同时绘制损失曲线和map变化曲线。我训练的模型效果如下。
（四）模型测试及效果
将yolov4-tiny-mytrain.cfg复制一份然后改名为yolov4-tiny-mytest.cfg，并且将yolov4-tiny-mytest.cfg中的batch和subdivisions都改为1。
在x64文件夹下打开shell，执行
darknet.exe detector map data/obj.data cfg/yolov4-tiny-mytest.cfg backup/yolov4-tiny-mytrain_best.weights > map.txt此时x64目录下会生成map.txt文件，里面的内容大致如下。
CUDNN_HALF=1
net.optimized_memory = 0
mini_batch = 1, batch = 1, time_steps = 1, train = 0
Create CUDA-stream - 0
Create cudnn-handle 0
nms_kind: greedynms (1), beta = 0.600000
nms_kind: greedynms (1), beta = 0.600000
seen 64, trained: 352 K-images (5 Kilo-batches_64)
calculation mAP (mean average precision)...
Detection layer: 30 - type = 28
Detection layer: 37 - type = 28
detections_count = 29, unique_truth_count = 12
rank = 0 of ranks = 29
class_id = 0, name = gun, ap = 80.56% (TP = 3, FP = 2)
class_id = 1, name = sword, ap = 97.62% (TP = 5, FP = 0)
for conf_thresh = 0.25, precision = 0.80, recall = 0.67, F1-score = 0.73
for conf_thresh = 0.25, TP = 8, FP = 2, FN = 4, average IoU = 56.40 %
IoU threshold = 50 %, used Area-Under-Curve for each unique Recall
mean average precision ([email protected]) = 0.890873, or 89.09 %
Set -points flag:
`-points 101` for MS COCO
`-points 11` for PascalVOC 2007 (uncomment `difficult` in voc.data)
`-points 0` (AUC) for ImageNet, PascalVOC 2010-2012, your custom dataset
于是我们获得了模型关于gun的Average Precision为80.56%，关于sword的Average Precision为97.62%。
在x64的data目录下新建一个test文件夹，把新的数据拷到test文件夹里，然后在x64目录下打开shell，输入
darknet.exe detector test data/obj.data cfg/yolov4-tiny-mytest.cfg backup/yolov4-tiny-mytrain_best.weights会出现下面的界面
输入测试图片的路径就能生成检测结果。
三、参考资料
手把手教你用AlexeyAB版Darknet - 知乎 (zhihu.com)
windows下darknet之yolo(gpu版本）安装 - 知乎 (zhihu.com)
有道云笔记 (youdao.com)
https://blog.csdn.net/weixin_43850253/article/details/118220395