YoloV4学习笔记2_训练数据（win10+VC2015+opencv4.4+yolov4）

YoloV4学习笔记2_训练数据（win10+VC2015+opencv4.4+yolov4）

标注数据

为了简便，使用了KayChan制作的标注工具，windows的exe直接运行即可，很方便。感谢作者。
https://download.csdn.net/download/a870089402/12672951
注意：
yolo的数据标注信息，标注区域的中心点坐标和区域的宽高。而且数值范围是0-1之间，其值是占宽或高的比例。其它的深度学习框架有的是标注区域的左上和右下的实际坐标，这一点有区别。

按照标注工具的使用说明，准备训练数据和验证数据并标注，非常简单。

准备配置文件和预训练权重文件

一般都会选择在预训练模型上进行训练，预训练模型是在coco数据集上进行了预先训练，该数据集包括人、车、动物等常见的80种类型。一般来说，如果要检测的物体和coco数据类似，就可以在coco数据集的预训练模型基础上进行训练。如果要检测的数据和coco数据大相径庭，则可以重新训练。也可以两种都实验一下，查看效果。

这里我们准备yolov4的配置文件yolov4.cfg和预训练权重文件yolov4.conv.137（coco预训练权重）
下载：https://github.com/AlexeyAB/darknet#how-to-train-to-detect-your-custom-objects
如果更关心推理速度，可以用yolov4-tiny

配置文件和预训练权重的对应关系：
o 对于 yolov4.cfg, yolov4-custom.cfg (162 MB): yolov4.conv.137
o 对于 yolov4-tiny.cfg, yolov4-tiny-3l.cfg, yolov4-tiny-custom.cfg (19 MB): yolov4-tiny.conv.29
o 对于 csresnext50-panet-spp.cfg (133 MB): csresnext50-panet-spp.conv.112
o 对于 yolov3.cfg, yolov3-spp.cfg (154 MB): darknet53.conv.74
o 对于 yolov3-tiny-prn.cfg , yolov3-tiny.cfg (6 MB): yolov3-tiny.conv.11
o 对于 enet-coco.cfg (EfficientNetB0-Yolov3) (14 MB): enetb0-coco.conv.132

修改配置文件yolov4.cfg（这个文件是算法各个层的参数）
注意查看 https://github.com/AlexeyAB/darknet#how-to-train-to-detect-your-custom-objects
中的 “ How to train (to detect your custom objects) ”处，有详细说明。
1）
[net]
width=608
height=608
都改为416，因为我是笔记本，这个改地点可以提高训练速度。注意：必须是32的整数倍。

2）修改训练的最大迭代次数，官方推荐是 标注类别数乘以2000，但不能少于6000或者训练图片数
我只标注了1个类别，所以改为6000
max_batches = 500500 改为 6000
steps=400000,450000 改为1600,1800 ，官方推荐 0.8乘以max_batches,0.9乘以max_batches

3）搜索[yolo]
[yolo]
classes=80 改为1 ，这是标注类别数

[yolo]的上面几行
[convolutional]
filters=255 改为 18 ， 官方推荐 3乘以(5+标注类别数)
注意：有多个 [yolo]和[convolutional]项（一般有3个），都需要修改。

训练模型

命令： darknet.exe detector train data/obj.data yolo-obj.cfg yolov4.conv.137
不用与训练模型，则命令：darknet.exe detector train data/obj.data yolo-obj.cfg
根据自己的目录结构，改为：
darknet.exe detector train dataset_PartText/DataForTrain/gen_config.data dataset_PartText/yolov4.cfg dataset_PartText/yolov4.conv.137
已经制作了批处理文件【c_darknet_PartText_Train.cmd】，方便调用

注意：

如果出现 CUDA error:out of memory 错误，很可能是现存不够，修改yolov4.cfg
[net]
subdivisions=8 改为16,32,64 这样可以降低显存使用
我的1070显卡笔记本，训练失败，提示需要把subdivisions设为64

训练中途停止后，下次在之前训练的基础上继续训练（中途停止后继续训练）
命令 darknet.exe detector train obj.data yolo-obj.cfg yolo-obj_2000.weights

防止过拟合，选择如下的时间点的训练结果。