yolov4训练已标柱的数据集

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

在已经安装配置好yolov4及opencv4.5.5的前提下，想要实现对交通锥筒的识别，下载已标柱好的交通锥筒数据集，yolov4训练

ubuntu 18.04

显卡：GTX1050

CUDA: 11.6

cuDNN: 8.4.1

---

1.下载数据集

https://github.com/ncs-niva/traffic-cone-image-dataset

其中 images 文件夹中为数据集.jpg图片，labels 文件夹中为与每张图片对应的标签

2.新建数据集目录

位置可自定义，能够与.cfg .data .txt .names 涉及的路径对应上就OK。

我是在data下新建了trafficcone文件夹，并将数据集图片、标签、配置文件都放进去了。

再在trafficcone文件夹下新建 build ，用于存放训练后生存的 .weights 文件。

PS: 可以将 labels 的内容全部复制，都粘贴在数据集图片所在的文件夹，也许配置时简单些。

3.修改配置文件

几个配置文件的名称也可以自定义，但要保证文件名后坠正确

1）obj.names
由于只有交通锥筒需要识别，所以只有1类，名称定为trafficcone

trafficcone

2）obj-cone.data
classes：表示数据集中需要检测的物体有几类
train：表示保存训练数据集的地址
names：表示可检测物体的名称地址
backup：表示保存训练权重文件的地址

classes = 1
train = /home/xxx/darknet-master/data/trafficcone/train-cone.txt
names = /home/xxx/darknet-master/data/trafficcone/obj-cone.names
backup = /home/xxx/darknet-master/data/trafficcone/backup/

3）train-cone.txt
数据集中每张图片所在的地址

/home/xxx/darknet-master/data/trafficcone/images-labels/1.jpg
/home/xxx/darknet-master/data/trafficcone/images-labels/10.jpg
/home/hao/darknet-master/data/trafficcone/images-labels/100.jpg
/home/hao/darknet-master/data/trafficcone/images-labels/101.jpg
/home/hao/darknet-master/data/trafficcone/images-labels/102.jpg
...

4）yolov4-obj-cone.cfg

复制 build/darknet/x64/cfg文件下yolov4-custom.cfg，进行修改：

# step1: 修改batch和subdivisions
L2: batch=64                # 原来就是64
L3: subdivisions=64        # 原来是64，如果报错增大这个值
 
# step2: 修改图片的尺寸
L7: width=416             # 越大越吃显卡
L8: height=416           # 越大越吃显卡
 
# step3: ctrl + F搜索yolo，修改classes(每个yolo层都需要修改一次，一共需要修改三次)
L968: classes=1             # 只需要识别1类物体，因此需要修改成1
L1056: classes=1
L1144: classes=1
 
# step4: ctrl + F搜索yolo，修改每个yolo相邻的上一个convolution层的filter
L961: filters=18            # 因为我预测两类物体：18 = 3*(5+**1**)
L1049: filters=18
L1137: filters=18
 

5.训练

先下载预训练权重: yolov4.conv.137

./darknet detector train data/trafficcone/obj-cone.data data/trafficcone/yolov4-obj-cone.cfg yolov4.conv.137 -dont_show

PS: -dont_show 非常重要, 可能会帮助解决Dbus报警；

训练完在build 文件夹中，会看到生成 的权重文件：

5.检测目标

./darknet detector test data/trafficcone/obj-cone.data data/trafficcone/yolov4-obj-cone.cfg yolov4-obj-cone_final.weights 

PS: detector 跟的是test，与demo不同；

运行后，需要输入待识别图片的位置

或者可以直接在命令后加上图片路径，如:

./darknet detector test data/trafficcone/obj-cone.data data/trafficcone/yolov4-obj-cone.cfg yolov4-obj-cone_final.weights data/xxx.jpg

6.ZED2i相机实时识别并测距

C++环境

LD_LIBRARY_PATH=./:$LD_LIBRARY_PATH ./uselib data/trafficcone/obj-cone.names data/trafficcone/yolov4-obj-cone.cfg yolov4-obj-cone_final.weights zed_camera

用zed2i相机拍另一个屏幕的交通锥筒图片，也可以在室外识别真实交通锥筒（如果条件允许）：

7.参考

官方说明：
https://gitcode.net/mirrors/alexeyab/darknet

csdn博客：
https://blog.csdn.net/qq_38316300/article/details/106771964
https://blog.csdn.net/qq_44703886/article/details/109555946
https://blog.csdn.net/m0_62114628/article/details/124356097

总结

提示：这里对文章进行总结：
例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。