最近推出了yolo-v4我也准备试着跑跑实验看看效果,看看大神的最新操作

这里不做打标签工作和配置cuda工作,需要的可以分别百度搜索   VOC格式数据集制作,cuda和cudnn配置

我们直接利用VOC格式训练自己数据集的模型

笔者也是 根据官方github的readme操作的 没看懂可以进入官方链接看看英文介绍,或者在issue里面提问,笔者花了一天 也算是跑通了数据集的代码。

paper

https://arxiv.org/abs/2004.10934

github

https://github.com/AlexeyAB/darknet#how-to-train-with-multi-gpu

-- 1.首先测试原始权重效果

  -- 1.下载预训练权重

  -- 2.编译

  -- 3.测试

-- 2.训练自己的数据集

  -- 1.创建yolo-obj.cfg 文件

  -- 2.制作obj.names

  -- 3.制作obj.data

  -- 4.放入源图片

  -- 5.制作train.txt

  -- 6.开始训练

1.下载预训练权重

放上链接

有翻墙则:

https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights

百度网盘:

链接:https://pan.baidu.com/s/16wOHbaa2mG7cTZ_RcGjRnw
提取码:99bl

下载好yolov4.weights 权重后 放在主目录下即可

2.编译文件 该方法为使用makefile方法编译

打开Makefile文件 修改该文件

修改该文件中前4行 ---- 0都改为1

代表使用GPU测试和训练(前提是安装好了cuda和cudnn的机器,安装方法 直接百度搜 cuda和cudnn就有很多教程)

如果没安装过cuda则不用改

执行以下命令编译

 make

然后主目录中出现darknet文件

3.运行该文件

 ./darknet

如果编译成功则会出现以下信息

 usage: ./darknet<function>

现在可以测试初始预训练权重效果了

 ./darknet detect cfg/yolov4.cfg yolov4.weights data/dog.jpg

成功则在主目录下出现predictions.jpg 图片为预测后的图片

效果如下

2.训练自己的数据集

--2.1创建yolo-obj.cfg 文件,将 yolov4-custom.cfg 中的内容复制到 yolo-obj.cfg里面并做以下修改。

  --2.1.1修改subdivisions=16(如果报内存不足,将subdivisions设置为32或64)

  --2.1.2修改max_batches=classes*2000   例如有2个类别人和车 ,那么就设置为4000

  --2.1.3修改steps为80% 到 90% 的max_batches值  比如max_batches=4000,则steps=3200,3600

  --2.1.4修改classes,先用ctrl+F搜索 [yolo] 可以搜到3次,每次搜到的内容中 修改classes=你自己的类别 比如classes=2

  --2.1.5修改filters,一样先搜索 [yolo] ,每次搜的yolo上一个[convolution] 中 filters=(classes + 5)x3  比如filters=21

  --2.1.6如果要用[Gaussian_yolo] ,则搜索[Gaussian_yolo] 将[filters=57] 的filter 修改为 filters=(classes + 9)x3 (这里我没用到,但是还是修改了)

--2.2制作obj.names,在build\darknet\x64\data\ 文件夹下创建obj.names文件。内容为你的类别 比如人和车 那么obj.names 为如下

person
car

--2.3制作obj.data,在build\darknet\x64\data\文件夹下创建obj.data文件。内容如下

classes= 2
train = data/train.txt
valid = data/test.txt
names = data/obj.names
backup = backup/

笔者在这读取不到data/下文件 所以改为绝对路径 就可以了 这是我的obj.data文件

--2.4放入源图片,在build\darknet\x64\data\文件夹下创建obj文件夹,存放所有的原始图片

  笔者在这里遇到问题,就是我是VOC格式的图片如下

└── VOCdevkit
└── VOC2012
├── Annotations
├── ImageSets
│ ├── Main
├── JPEGImages

但是yoloV4需要的训练集不是这样,现在说下制作过程

先进入script下有一个文件voc_label.py,利用该代码可以得到我们想要的txt标注信息 类似xml文件信息

首先注释掉classes=[.............] 替换里面类别为自己的类别(我是做垃圾检测 所以是litter) 然后我的voc是2007的 所以也取消掉2012的修改如下

然后将所有出现的 VOCdevkit修改为 VOCdevkit2007 ,因为我的目录是 (这里根据你们的数据集更改 要求找到对应的目录就可以了)

--VOCdevkit2007

  --VOC2007

    --ImageSets

然后在同级目录下会出现labels文件 这个就是xml对应的txt文件,

将labels中文件放入之前的build\darknet\x64\data\obj中

那么obj文件中会同时存在源图片同名txt文件

这样就完成了txt的制作了

--2.5最后是制作train.txt

  --2.5.1需要以下格式的train.txt

  --2.5.2可以使用如下代码制作

import os
from os import listdir, getcwd
from os.path import join if __name__ == '__main__':
source_folder =r'G:\jianfeng\project\rubblish_det\yolov4\darknet-master\darknet-master\cfg\JPEGImages'
dest = r'G:\jianfeng\project\rubblish_det\yolov4\darknet-master\darknet-master\cfg\1/train.txt'
dest2 = r'G:\jianfeng\project\rubblish_det\yolov4\darknet-master\darknet-master\cfg\1/val.txt'
file_list = os.listdir(source_folder)
train_file = open(dest, 'a')
val_file = open(dest2, 'a')
i=0
for file_obj in file_list:
file_name, file_extend = os.path.splitext(file_obj) if (i%4 ==0):
#val_file.write(file_name+".jpg" + '\n') 相对路径
val_file.write("build/darknet/x64/data/obj/"+file_name+".jpg" + '\n')
else:
#train_file.write(file_name+".jpg" + '\n')
train_file.write("build/darknet/x64/data/obj/"+file_name+".jpg" + '\n')
i+=1
train_file.close()
val_file.close()

其中dest和dest2可以根据自己需要更改

但是这里遇到些问题就是 我的程序无法识别相对路径data/,所以我把路径改为了绝对路径 build/darknet/x64/data/obj/下的文件。如下

现在就完成了所以制作,可以开始训练了

--2.6.下载权重 和之前的权重不一样

链接:https://pan.baidu.com/s/1yhB8pRcGH84gyRWeNictBA
提取码:gi4d

下载好放入主目录中

--2.7.开始训练

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

如果要使用gpu的话输入以下

./darknet detector train data/obj.data yolo-obj.cfg yolov4.conv.137 -gpus gpu_id

出现以下画面 则正在训练

最终效果图

---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

错误问题总结:

1.mosaic=1 - compile Darknet with OpenCV for using mosaic=1

因为在设置中使用了opencv(c++版本),而我们没有安装导致的。将之前修改的yolo-obj.cfg中搜索mosaic将1改为0。

mosaic=1  #--》 更改为0

2.make时 出现以下错误

chmod +x *.sh
g++ -std=c++11 -std=c++11 -Iinclude/ -I3rdparty/stb/include -DGPU -I/usr/local/cuda/include/ -DCUDNN -DCUDNN_HALF -Wall -Wfatal-errors -Wno-unused-result -Wno-unknown-pragmas -fPIC -Ofast -DGPU -DCUDNN -I/usr/local/cudnn/include -DCUDNN_HALF -c ./src/image_opencv.cpp -o obj/image_opencv.o
In file included from ./src/image.h:3:0,
from ./src/image_opencv.h:4,
from ./src/image_opencv.cpp:1:
include/darknet.h:41:26: fatal error: cuda_runtime.h: No such file or directory
compilation terminated.
Makefile:165: recipe for target 'obj/image_opencv.o' failed
make: *** [obj/image_opencv.o] Error 1

出现原因是cuda的path不对导致

先查看自己cuda版本  输入 nvcc -V

查看主目录下Makefile文件

搜/usr/local/cuda/xxx 目录

我的原始文件是/usr/local/cuda/xxx   ,cuda版本是9.0 所以

将cuda -->改为cuda-9.0 即可 如下

/usr/local/cuda-9.0/xxx

测试test.txt数据集时的命令(并将结果保存至result.txt中):

./darknet detector test darknet.data darknet-yolov3.cfg darknet-yolov3_final.weights -thresh 0.25 -dont_show -ext_output < data/test.txt > result.txt

恭喜你看完了,有问题可以评论,或者去github上面提问,问作者问题更靠谱哦 ^ - ^

YOLOV4在linux下训练自己数据集(亲测成功)的更多相关文章

  1. linux shell命令行下操作mysql 删除mysql指定数据库下的所有表--亲测成功百分百测试通过--绝对可靠

    1,在shell提示符下查看mysql指定数据库下的表等数据

  2. linux下gmplayer安装(亲测OK!)

    需要的安装包及下载地址:  mplayer源代码包(MPlayer-1.0rc4.tar.bz2)下载:http://www.mplayerhq.hu/MPlayer/releases/ 解码器安装包 ...

  3. 【转】Win7下VS2010中配置Opencv2.4.4的方法(32位和64位都有效)(亲测成功)

    在vs2010下配置opencv是件痛苦的事情,一点点错误可能就会导致莫名其妙的报错,各种error让人郁闷不已,这里提供给大家一篇vs2010下配置opencv2.4.4的方法,我是64位的win7 ...

  4. Caffe初学者第一部:Ubuntu14.04上安装caffe(CPU)+Python的详细过程 (亲测成功, 20180524更新)

    前言: 最近在学习深度学习,最先要解决的当然是开源框架的环境安装了.之前一直在学习谷歌的Tensorflow开源框架,最近实验中需要跟别人的算法比较,下载的别人的代码很多都是Caffe的,所以想着搭建 ...

  5. webstorm2017.3最新激活教程(激活码、注册码)亲测成功

    1 前言 webstorm2017.3最新激活教程(旧版本可用,亲测成功,有疑问随时联系),20180411测试成功,还是注册机靠谱~ 2 下载地址 链接: https://pan.baidu.com ...

  6. 华为荣耀畅玩5C NEM-UL10 ROOT那些事儿(亲测成功)

    以前ROOT手机都是在手机上安装KingRoot 刷机精灵等软件分分钟成功(不排除偶然,,比如这款华为荣耀...) 手机安装KingRoot等软件,,,失败   电脑上安装连接手机Root,,,,失败 ...

  7. eclipse 安装 activiti-designer-5.18.0,亲测成功

    转: eclipse 安装 activiti-designer-5.18.0,亲测成功 2018年06月02日 15:50:05 ldw4033 阅读数:2826   版权声明:本文为博主原创文章,未 ...

  8. Ubuntu下可以直接安装mingw(sudo apt-get install mingw32 mingw32-binutils mingw32-runtime,附例子,简单好用,亲测成功)good

    Mingw:在Linux系统下编译Windows的程序 Ubuntu下可以直接安装:sudo apt-get install mingw32 mingw32-binutils mingw32-runt ...

  9. Navicat Premium Mac 12 破解方法-亲测成功

    参照这2篇文档,破解成功了.操作步骤写的很清楚,不再缀述,只记录一下自己破解过程中,认为要注意的点.以免以后再多花时间熟悉重新熟悉操作步骤 Mac安装Navicat(破解版) Navicat Prem ...

随机推荐

  1. JS 的基础概念

    本篇文章主要讲述js的基础知识! 首先,我们要明白什么是JS,JS就是 javascript 的简称,是一种轻量级,弱类型的脚本语言,已经被广泛用于Web应用开发,常用来为网页添加各式各样的动态功能, ...

  2. notepad++批量每行加字符

    移动光标到头 选择正则 输入^ 下面输入需要加的文本. 点替换

  3. Jmeter--Mysql数据库压力测试

    前提环境要求:首先下载合适的数据库驱动 传送门:https://mvnrepository.com/artifact/mysql/mysql-connector-java 将下载好的驱动放到Jmete ...

  4. Hugo博客搭建

    HUGO + Github + Github Action持续集成部署个人博客 HUGO本地环境 首先在HUGO的官网下载Hugo的Windows安装包,然后将路径添加到环境变量即可. step1:下 ...

  5. vue2.x学习笔记(十二)

    接着前面的内容:https://www.cnblogs.com/yanggb/p/12592256.html. 组件基础 组件化是vue的一个重要特性,也是vue学习中非常重要的一个知识点. 基础示例 ...

  6. jmeter if控制器使用

    if控制器有两种用法 1.不勾选“interpret condition as variable expression” 直接输入我们需要判断的表达式即可,判断表达式为真时,执行if控制器下的请求 2 ...

  7. 开发一款图片压缩工具(三):使用 click 实现命令行

    上一篇实现了图片的压缩函数.现在如果需要对图片进行压缩,可以调用实现的函数进行压缩: pngquant_compress('elephant.png', force=True, quality=20) ...

  8. 面试题56 - I. 数组中数字出现的次数

    面试题56 - I. 数组中数字出现的次数 一个整型数组 nums 里除两个数字之外,其他数字都出现了两次.请写程序找出这两个只出现一次的数字.要求时间复杂度是O(n),空间复杂度是O(1). 示例 ...

  9. PHP(ThinkPHP5.0) + PHPMailer 进行邮箱发送验证码

    GitHub下载最新版第三方类库PHPMailer: 第一步: 打开网址https://github.com/PHPMailer/PHPMailer/ 下载PHPMailer,PHPMailer 需要 ...

  10. 地点下来框的实现(php)

    效果图: 样式(bootstrap): class="selectpicker show-tick form-control",就是多了个form-contro就行了 概念: 这里 ...