一探YOLOV4(darknet)的神秘面纱–面向小白

文章目录

一探YOLOV4(darknet)的神秘面纱--面向小白概览1. 本地环境的配置2.克隆git仓库3.本地CMake编译4.测试demo5. 创建自己的数据集6.训练自己的数据集7. 训练自己的数据集8.测试9.一些坑

概览

YOLO目标检测系列的鼎鼎大名谁人不知，还记得当初YOLOv4横空出世的时候，各大公众号层出不穷的推送，质量与速度兼备的优秀算法，当真是赚足眼球。

作为一个向往许久的少年，在这个偶然的机会下，纯粹为了偷懒而尝试了YOLOv4的darknet版本，不成想，贫穷给我造成的阻碍却使我异常勤奋了三两天。

废话不多说，本文包含整个单机运行YOLOv4的全部过程，包括：环境配置、仓库克隆、编译可执行文件、测试demo等等……

1. 本地环境的配置

本人所用环境如下：

CUDA10.1cudnn对应版本（记得是7.65）opencv4.4CMake3.18visual studio2017

我写过一个配置CUDA10.2的博客。有需求可自行查找，其实就是下载安装包，选择地址傻瓜式安装，注册nVidia账号下载对应版本的cudnn，解压后移动对应文件夹的文件到CUDA即可。需要将cudnn的一个文件copy到darknet-master\build\darknet\x64，文件在解压的bin文件夹

opencv4.4自行官网搜索，选择目录解压即可。注意：

安装完成后，需要添加一个环境变量指向到你的opencv的build文件夹

copy两个文件到darknet-master\build\darknet\x64文件夹，文件在opencv\build\x64\vc14\bin

CMake3.18一键傻瓜式安装

visual studio2017，现在官网上是2019版本，下载之前的版本需要登陆Microsoft账号，并订阅。（在这里谴责微软的流氓行为），安装时只需勾选c/c++开发即可。

2.克隆git仓库

ok，环境配置完成。去官方仓库下载zip包，并解压到你想要的位置即可。

3.本地CMake编译

虽然官网给出了不同的编译方式，本人也尝试过不同的编译方式，但是相对来说，CMake编译操作较少，比较简单。

打开CMakeGUI，两个地址都选择你刚刚解压的官方仓库文件夹，

点击configure，选择2017，x64

点击finish。

注意：蓝色一行只有找到你的cuda才会出现，如果没有，请自行检查你的环境配置。

无报错点击generate，并点击open Project。

打开vs2017后选择：[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-v9LYPrFc-1601887913547)(I:\note\知识小积累\yolov4（darknet）本地训练自己的数据集.assets\image-20201005155952334.png)]直接右键ALL_BUILD点击生成即可。我这里生成过了就不重新弄了，会显示5个成功，0个跳过，0个失败。

4.测试demo

当完成上述步骤后，需要将仓库文件夹的Release文件夹下的darknet.exe文件copy到darknet-master\build\darknet\x64文件夹下，yolov4.weights文件自行下载后并放入x64文件夹。

打开darknet-master\build\darknet\x64文件夹，在上方搜索框输入cmd回车，进入命令行。

输入如下命令进行测试：

darknet.exe detector test cfg\coco.data cfg\yolov4.cfg .\weights\yolov4.weights .\data\dog.jpg

结果：

dog测试成功！开心进行下一步~~~~~~~~~~~~~~~~

5. 创建自己的数据集

准备好自己的照片，建议重命名文件为6位数字编号.jpg.

这里有一个重命名脚本可供借鉴：

#!/usr/bin/env python # -*- coding:utf-8 -*- # author:li # datetime:2020/9/26 19:36 # software:PyCharm # project:检测石子 # file:重命名图片 import os import cv2 import time import matplotlib.pyplot as plt #原图路径和保存图片的路径 imgPath="F:\\datasets\\" savePath="F:\\wait label\\" imgList=os.listdir(imgPath) for i in range(0,len(imgList)): if i == 0: img = cv2.imread(imgPath + imgList[i]) str_tmp = "000000" + str(len(imgList)) else: img=cv2.imread(imgPath+imgList[i]) str_tmp="000000"+str(i) final = str_tmp[-6:] + str('_moresparse') cv2.imwrite(savePath+ final + ".jpg",img) #后六位命名 print("done!!")

下载labelimg软件进行标注，会在相应文件夹下生成.xml文件，储存的是你的标注信息。

将标注好的文件夹上传到roboflow网站，该网站可以导出你需要的数据集格式，还可以进行图片预处理，并经过旋转、光照改变等措施扩充你的数据集，十分方便，省去了代码的debug。

6.训练自己的数据集

将导出的带有txt与图片的文件夹放进data（可以新建一个文件夹存放，例如obj）在data文件夹添加: obj.names，每一行写一个你标注的类，例如： cat dog pig ... 新建 obj.data文件，并写入如下内容： classes = 4 # 你的类数 train = data/train.txt valid = data/test.txt names = data/obj.names backup = backup/ 更改cfg文件

在cfg文件夹下新建yolo-obj.cfg文件，并将yolov4-custom.cfg文件内容copy到新建文件中，ctrl+f寻找“yolo”

修改你的classes数目：

并修改yolo块上方的filters，数值为：（你的类数 + 5) $\times$ 3.

一共三处修改，若是tiny版本是两处。

更改你的训练次数不低于6000，推荐为：你的类数 $\times$ 2

两个重要参数：

batch=64 #一次处理的图片数量 subdivisions=1 #分多少批，可以缓解显存压力

根据你的电脑性能进行配置。

7. 训练自己的数据集

自行下载yolov4.conv.137文件，放进x64文件夹。

打开darknet-master\build\darknet\x64文件夹，在上方搜索框输入cmd回车，进入命令行。

输入命令：

darknet.exe detector train data/obj.data cfg/yolo-obj.cfg yolov4.conv.137 -dont_show

已经开始训练：

8.测试

输入命令：

darknet.exe detector test data/obj.data cfg/yolo-obj.cfg backup/yolo-obj_8000.weights

输入要测试的图片地址，例如：data/obj/test/xxx.jpg 权重文件自行选择，权重文件保存在backup文件夹。

9.一些坑

测试不调用opencv显示图片

​ 尝试更换版本

CMake编译不成功（找不到opencv、cuda等）

​ 尝试添加环境变量

预估时间过长

​ 请尝试两个重要参数的不同组合

权重文件自行选择，权重文件保存在backup文件夹。

暂时这么多。