Win10+YOLOv4/v3用yolo_mark标记数据集 训练自己的模型

Win10+Yolov4用yolo_mark标记数据集 训练自己的模型

1. 前言

本文是YOLO教程的第二个模块：在Win10下标记并训练自己的数据集。

第一个模块为：用VS2019 + CUDA搭建YOLOv4/v3环境。点击这里可以直接跳转至第一篇文章。

关于训练自己的数据集的博客，这段时间我也看了很多很多。但是绝大部分博客是在Ubuntu系统进行的训练，很少部分是在Win10上进行的。

此外，关于图片的标记，绝大部分博客是采用的先生成xml文件，再通过python代码转换为txt文件，稍微有点麻烦。但是在我们可以使用yolo_mark来标记，直接生成txt文件，相对更简单。

2. darknet

darknet的下载、编译等，我已经在上一篇文章写得很清楚了，就不再赘述了。

3. yolo_mark

3.1 yolo_mark和opencv的下载

1. 首先先进入yolo_mark的GitHub下载地址，下载yolo_mark。下载之后解压的熟悉的位置。在其README.md文档中也有其他详细的说明

2. opencv的下载和配置可以借鉴我这篇博客中的opencv下载部分。建议下载opencv3.4版本（Yolo_mark支持OpenCV 2.x 和 OpenCV 3.x）

3.2 yolo_mark 的编译

在编译之前，需要一些基本的配置，配置流程如下

3.2.1 项目重定向

进入到 …\Yolo_mark-master 文件夹，用VS2019打开 yolo_mark.sln。

进入后有一个重定向项目属性，改成如图所示的配置。

如图配置

---

3.2.2 修改为release

修改项目为Release

3.2.3 配置opencv路径

• （右键单击项目） $\Rightarrow$ 属性 $\Rightarrow$ C/C++ $\Rightarrow$ 常规 $\Rightarrow$ 附加包含目录: 将C:\opencv_3.0\opencv\build\include 修改为自己的的opencv路径

• （右键单击项目）$\Rightarrow$ 属性 $\Rightarrow$ 链接器 $\Rightarrow$ 常规 $\Rightarrow$ 附加库目录: C:\opencv_3.0\opencv\build\x64\vc14\lib 修改为自己的的opencv路径

（上方操作如下图所示）

记得点确定！！！！

上图为C/C++的修改，下方的链接器修改同理。修改结束后记得点确定

3.2.4 重新生成项目

右键项目，点击如图所示的重新生成，即可编译得到yolo_mark.cmd，yolo_mark.exe等。

此时我们进入opencv安装的目录..\opencv\build\x64\vc14\bin，选择opencv_world340.dll和opencv_ffmpeg340_64.dll两个文件，复制到yolo_mark的..\Yolo_mark-master\x64\Release路径下。

3.2.5 打开图片标记软件

完成上述操作之后，进入 …\Yolo_mark-master\x64\Release ，双击 yolo_mark.cmd （而不是exe文件） ，即可打开标记软件。

yolo_mark界面

---

3.3 用yolo_mark标记自己的图片

图片是yolo_mark自带的默认的图片，而且是已经被标记过了。所以我们要把图片换成自己的图片。

1. 进入到 …\Yolo_mark-master\x64\Release\data 中，可以看见1个文件夹img。该文件夹是用来存放需要被标记的图片和标记后生成的txt文件的地方。所以我们要把里面的文件全部删掉，并把自己的图片数据集放入进去。为了方便，我们将它们命名为 1.jpg, 2.jpg, 3.jpg … （如果太麻烦了可以在CSDN上找到python写的一键重命名的代码）

2. 打开obj.data。第一行的classes就是你的类数量。比如我只想训练1个类person，我就把它改成 classes = 1。

3. 打开obj.names。里面是你的类的名称。我因为只有一个person，所以就只写入个person就够了。如果你需要写入多个类，一行写入一个。

4. 回到 …\Yolo_mark-master\x64\Release，运行yolo_mark.cmd 运行标记软件。之后就可以开始标记了。标记时，拖动 object id 可以更换标记类型。
   

   如图所示标记

5. 标记快捷键如图

其实只要进去按一下h就可以知道所有快捷键了（记得切换输入法，不然无法识别快捷键）

---

4. 模型训练

4.1 darknet的配置

1. 移动文件

   因为用yolo_mark标记后得到的数据 （txt文件） 是存在yolo_mark的data文件中的，所以我们就需要将data文件夹的东西拷贝到darknet的data文件夹下。

   进入yolo_mark的 …\Yolo_mark-master\x64\Release\data 路径和 darknet的 …\darknet-master\build\darknet\x64\data 路径，并将 yolo_mark的data 文件夹下的所有文件拷贝至 darknet的data 文件下。

   

   移动文件

剩余的部分我们可以直接参考作者AlexeyAB的YOLOv4 readme文档即可，我简单的翻译了文档中关于训练自己模型的部分，也加入了部分我自己的补充，点击博客地址可跳转；此外点击此处即可跳转README的How to train英文原版。

4.2 开始训练

一切配置好之后，就可以正式开始训练了。在 darknet-master\build\darknet\x64 下，空白处 ，shift + 右键，选择 在此处打开Powershell窗口

输入：

./darknet.exe detector train data\obj.data yolo-obj.cfg data\darknet53.conv.74

就可以开始训练了

训练会生成weights权重文件，生成在 \darknet-master\build\darknet\x64\backup 处。

生成的weights文件的文件名是yolo-obj_last.weights，即最后一次生成的weights文件。该文件每迭代100次会更新一次。

此外，每迭代1000次会额外再次生成一个weights文件，如yolo-obj_2000.weight。其他每迭代1000次，迭代10000次命名依次类推。

生成的weight权重文件

5. 其他

5.1 暂停训练和恢复训练

暂停训练：单击一次powershell框；恢复训练：键盘任意键

5.2 训练时打印的日志部分含义

4 ：总迭代了的次数

1095.689575 ：总体的Loss（损失）

1096.312134 avg loss : 平均的Loss

0.000000 rate ：代表当前的学习率，是在.cfg文件中定义的

22.428000 seconds ： 训练当前批次所花费的时间

256 images ：到目前位置，参与学习了的图片的数量

3068.354482 hours left ：到训练结束（默认训练迭代500200次），还需要的时间

---

没有比较训练这么多次，当Loss为零点几的时候，已经可以推出训练了。其他英文的具体含义也很容易找到，我这里就不多赘述了。

5.3 测试训练

测试训练的时候需要注意！需要使用正确的命令。因为不同教程，把文件放在不一样的目录，所以使用的命令是有区别的。

• 如果是要识别视频文件，则命令格式为

.\darknet.exe detector demo <.data文件位置> <.cfg文件位置> <权重文件位置> <识别文件位置>

• 如果是识别图片，则命令格式为

.\darknet.exe detector test <.data文件位置> <.cfg文件位置> <权重文件位置> <识别文件位置>

1. 此命令需要在x64位置打开Powershell，如果是cmd则把.\darknet.exe切换成darknet.exe；
2. 如果为指定识别文件位置，则命令1会调用摄像头，命令2会让你多次输入图片路径，进行多次识别；
3. <>需要替换成相应的相对路径路径

6. 结语

写这篇博客很重要的一个原因是，CSDN上，训练的教程多是Ubuntu下的，而且也不是使用的yolo_mark，大都是xml转txt，而且一些操作也很繁琐。对于像我这样的低年级学生，才刚刚想尝试入门的，不太友好。

所以我希望我写的这篇博客，能够帮助到各位，少踩点坑，少一点麻烦吧~

如果能帮到你，不如点个赞吧~