YOLOv4 win10 配置 + 訓練自己的資料 + 測試

重糖愛好者發表於2021-01-27

配置

YOLOv4是最近開源的一個又快又準確的目標檢測器。
首先看一下Github上的版本要求及下載地址：
系統：Windows or Linux
CMake >= 3.12: https://cmake.org/download/
CUDA 10.0: https://developer.nvidia.com/cuda-toolkit-archive
OpenCV >= 2.4: 直接從Opencv官網下載就好
cuDNN >= 7.0 for CUDA 10.0: https://developer.nvidia.com/rdp/cudnn-archive
Visual Studio 2015/2017/2019: https://visualstudio.microsoft.com/thank-you-downloading-visual-studio/?sku=Community

YOLO v4原始碼

YOLOv4倉庫github地址： https://github.com/AlexeyAB/darknet.
為了防止下載壓縮包解壓後會丟失一些檔案，建議在碼雲上clone下來。

CMake安裝

進入官網下載最新的版本即可，圖中紅色標註的位置，下載後一路預設安裝點下來就好。
在這裡插入圖片描述

CUDA安裝

CUDA是我當初安裝tensorflow2.0時安的
主要是從官網上下載安裝檔案，
解壓縮，如圖：
在這裡插入圖片描述
同意並繼續，選擇精簡，進入安裝，大概要幾分鐘的時間。

安裝完成後檢查是否安裝成功。
win+R 進入執行介面，輸入cmd進入命令列介面，輸入nvcc --version 檢視是否安裝成功

cuDNN安裝

在官網下載前需要註冊NVIDIA DEVELPOER 的賬號，選擇與CUDA10.0對應的版本cuDNN7.6.4，點選library for win10檔案,大概有240M左右。如下圖所示：
在這裡插入圖片描述
官網的安裝教程：https://docs.nvidia.com/deeplearning/sdk/cudnn-install/index.html#installwindows

其實就是將解壓後將下面幾個檔案複製到CUDA的對應路徑下。

Copy ...\cuda\bin\cudnn64_7.6.5.32.dll to C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\bin.
Copy ...\cuda\ include\cudnn.h to C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\include.
Copy ...\cuda\lib\x64\cudnn.lib to C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\lib\x64.

簡便快捷的方法就是把下載好的CUDNN檔案全部複製到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2中

OpenCV安裝

從官網下載，版本要大於2.4
下載好直接解壓就可以,並將installpath\opencv\build\路徑新增到系統的環境變數中,
CMake編譯的時候會自動找到這個資料夾
新增環境變數如下圖所示，在此電腦右擊屬性，彈出下圖介面，點選高階系統設定。

點選環境變數，新建環境變數，
Alt
新建環境變數，變數名為OpenCV_DIR，變數地址為C:\Program Files\opencv\build
在這裡插入圖片描述

Cmake編譯

如果你想用GPU加快檢測速度，需要將Makefile檔案用記事本開啟，更改GPU=1 CUDNN=1 CUDNN_HALF=1 OPENCV=1。如下圖所示：
在這裡插入圖片描述
選擇Browse Source 為原始碼所在資料夾，Browse Build 可以選擇同一資料夾，點選Configure，彈出如下介面：

第一項選擇你所安裝的VS版本，第二項平臺選擇x64 ,點選Finish，點選Configure，沒有錯誤後點選生成。
在這裡插入圖片描述
成功後點選Open Project 開啟專案檔案。

VS編譯

注意：選擇release版本，x64，直接生成解決方案。
在這裡插入圖片描述
將D:\github\darknet\Release資料夾下的darknet.exe檔案複製

在這裡插入圖片描述
開啟到D:\github\darknet\build\darknet\x64資料夾內進行貼上，如下圖所示

將opencv ...\opencv\build\x64\vc14\bin 下的兩個opencv_world330.dll和 opencv_ffmpeg330_64.dll dll檔案複製到上述資料夾內。如下圖所示：

將cuDNN中的cudnn64_7.dll複製到上述資料夾。
在這裡插入圖片描述

影像測試

為了驗證是否配置成功，下載推薦的yolov4.weights檔案，檔案大概有245M，百度雲.密碼：wg0r

將下載後的檔案放在D:\github\darknet\build\darknet\x64資料夾下。
開啟cmd命令列，轉到上述的資料夾內，如下圖所示：

按照GitHub，測試影像和視訊複製對應的命令：
Yolo v4 COCO - image: darknet.exe detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -thresh 0.25
Output coordinates of objects: darknet.exe detector test cfg/coco.data yolov4.cfg yolov4.weights -ext_output dog.jpg
Yolo v4 COCO - video: darknet.exe detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output test.mp4

在這裡插入圖片描述

測試結果

自帶的dog影像
羊群

訓練

標註工具

labelImg: https://github.com/tzutalin/labelImg適用於影像檢測的資料集製作，可以直接生成yolo的標註格式。

label 檔案格式：

 <目標類別>  <中心點X座標>  <中心點Y座標>  <寬>  <高>  
(歸一化到了【0,1】之間，除以影像寬高)
eg:<x> = <absolute_x> / <image_width> 
<height> = <absolute_height> / <image_height>

幾個常用的快捷鍵：

w	建立矩形框
d	下一張圖片
a	上一張圖片

另一個工具Yolo_mark:https://github.com/AlexeyAB/Yolo_mark

準備資料集

下面是標註檔案為xml格式的處理過程，txt檔案的話直接複製到labels資料夾即可

資料夾格式

VOCdevkit 
——VOC2020        
————---Annotations  #放入所有的xml檔案
————---ImageSets    
——————-----Main       #放入train.txt,val.txt檔案
————---JPEGImages   #放入所有的訓練圖片檔案
————---labels   #放入所有的txt檔案，會自動生成此資料夾
————---TESTImages   #放入所有的測試圖片檔案

#Main中的檔案分別表示test.txt是測試集，train.txt是訓練集，val.txt是驗證集

建立資料夾的程式

import os
import time

def mkFolder(path):
    year = str(time.localtime()[0])
    floderName = 'VOC' + year
    # path = os.path.normpath(path)
    floderPath = os.path.join(path, floderName)
    if not os.path.exists(floderPath):
        os.makedirs(floderPath)
    print(floderPath)
    subfloderName = ['Annotations', 'ImageSets', 'JPEGImages', 'labels', 'TESTImages']
    for name in subfloderName:
        subfloderPath = os.path.join(path, floderName, name)
        print(subfloderPath)
        if not os.path.exists(subfloderPath):
            os.makedirs(subfloderPath)
        if name == 'ImageSets':
            secSubFolderName = 'Main'
            secSubFolderPath = os.path.join(path, floderName, name, secSubFolderName)
            print(secSubFolderPath)
            if not os.path.exists(secSubFolderPath):
                os.makedirs(secSubFolderPath)


if __name__ == '__main__':
    path = r'D:\program'  #更換自己的資料夾路徑
    mkFolder(path)

獲取所有檔名

可以修改訓練集和驗證集的比例，生成train.txt 和val.txt 檔案

import os
from os import listdir, getcwd
from os.path import join

if __name__ == '__main__':
    source_folder = 'D:/github/darknet/build/darknet/x64/scripts/VOCdevkit/VOC2020/JPEGImages'
    dest = 'D:/github/darknet/build/darknet/x64/scripts/VOCdevkit/VOC2020/ImageSets/Main/train.txt'  # train.txt檔案路徑
    dest2 = 'D:/github/darknet/build/darknet/x64/scripts/VOCdevkit/VOC2020/ImageSets/Main/val.txt'  # val.txt檔案路徑
    file_list = os.listdir(source_folder)
    train_file = open(dest, 'a')
    val_file = open(dest2, 'a')
    file_num = 0
    for file_obj in file_list:
        file_path = os.path.join(source_folder, file_obj)
        file_name, file_extend = os.path.splitext(file_obj)
        file_num = file_num + 1


        if (file_num % 4 == 0):  # 每隔4張選取一張驗證集
            val_file.write(file_name + '\n')
        else:
            train_file.write(file_name + '\n')


        # val_file.write(file_name + '\n')
        #
        # train_file.write(file_name + '\n')
train_file.close()
val_file.close()

執行voc_label

將voc_label.py放到VOCdevkit資料夾下，如下圖所示：
在這裡插入圖片描述

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join

sets=[('2020', 'train'), ('2020', 'val')] ##這裡要與Main中的txt檔案一致

#classes = ["bubble", "adhension","outer","inner"]
classes = ["bubble"]  #  #你所標註的類別名

def convert(size, box):
    dw = 1./(size[0])
    dh = 1./(size[1])
    x = (box[0] + box[1])/2.0 - 1
    y = (box[2] + box[3])/2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x*dw
    w = w*dw
    y = y*dh
    h = h*dh
    return (x,y,w,h)

def convert_annotation(year, image_id):
    in_file = open('VOCdevkit/VOC%s/Annotations/%s.xml'%(year, image_id), encoding="utf8")

    out_file = open('VOCdevkit/VOC%s/labels/%s.txt'%(year, image_id), 'w', encoding="utf8")

    tree=ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)

    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult)==1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
        bb = convert((w,h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')

wd = getcwd()

for year, image_set in sets:
    if not os.path.exists('VOCdevkit/VOC%s/labels/'%(year)):
        os.makedirs('VOCdevkit/VOC%s/labels/'%(year))
    image_ids = open('VOCdevkit/VOC%s/ImageSets/Main/%s.txt'%(year, image_set)).read().strip('\n').split('\n')
    list_file = open('%s_%s.txt'%(year, image_set), 'w')
    for image_id in image_ids:
        list_file.write('%s/VOCdevkit/VOC%s/JPEGImages/%s.jpg\n'%(wd, year, image_id))
        convert_annotation(year, image_id)
    list_file.close()

#os.system("cat  2020_train.txt 2020_val.txt  > train.txt")

新建obj.data

複製cfg資料夾下的voc.data，重新命名為obj.data

classes= 1					
train  = scripts/2020_train.txt 			
valid  = scripts/2020_val.txt			
names = data/obj.names				
backup = backup/

新建obj.names

複製data目錄下的voc.name，改為obj.name,裡面寫標籤的名字,每行一個

修改cfg檔案


把第三行batch改為batch=64

把subdivisions那一行改為 subdivisions=16

將max_batch更改為(資料集標籤種類數（classes）*2000 但不小於訓練的圖片數量以及不小於6000)

將第20的steps改為max_batch的0.8倍和0.9倍

把位於8-9行設為width=416 height=416 或者其他32的倍數:

將classes=80 改為你的類別數 （有三個地方，969行，1056行，1143行）

改正[filters=255] 為 filters=(classes + 5)x3 （位置為查詢yolo，每個yolo前的[convolutional]裡，注意只修改最接近yolo的那個filters需要修改，一共應該有三處）

如果使用 [Gaussian_yolo] 層,修改 filters=(classes + 9)x3 （位置為CRRL+F查詢Gaussian_yolo，每個Gaussian_yolo前的[convolutional]裡，注意只修改最接近Gaussian_yolo的那個filters需要修改，一共應該有三處）

訓練資料

開始訓練

yolov4.conv.137為預訓練權重，沒有的話會隨機初始化權重
預訓練權重，密碼：jirs

darknet.exe detector train data/obj.data yolov-obj.cfg yolov4.conv.137 -map

mAP（均值平均精度） = 所有類別的平均精度求和除以所有類別

每4個Epochs計算一次map

訓練生成的權重檔案在<backup>目錄下:

last_weights 每迭代100次儲存一次
xxxx_weights 每迭代1000次儲存一席

繼續訓練

每迭代100步可以手動停止，下次訓練載入此次的權重檔案便可以接著訓練。
eg:從2000步停止訓練後，可以使用如下命令繼續訓練

darknet.exe detector train data/obj.data yolo-obj.cfg backup\yolo-obj_2000.weights

停止訓練

停止訓練的條件：

訓練過程中如果 avg出現nan，訓練可能出錯，需要停止

如果nan出現在其他行，訓練正常

如果迭代很多次後avg補再下降，需要停止

avg越低越好—，也要防止過擬合

對小的模型、簡單的資料集，avg一般為0.05

對大的模型、複雜的資料集，avg一般為3

提高目標檢測準確率

為了在一張影像上檢測大量的目標：修改cfg檔案，在最後一個[yolo]層增加max=200或者更大的值
為了檢測更小的目標（自己的影像縮放到416X416目標尺寸小於16X16）：

895行 layers = 23. 
892行 stride=4
989行 stride=4

如果你的資料左右物件作為不同的類，比如：左右手、向左轉、向右轉路標
在資料增強部分 17行增加flip=0
如果小目標和巨大的目標一起訓練，需要修改模型
為了使定位框更準確，在每個[yolo]層增加ignore_thresh = .9 iou_normalizer=0.5 iou_loss=giou——這會提高mAP@0.9, 但是會降低mAP@0.5.
如果你很精通，可以重新計算自己資料集的anchor

darknet.exe detector calc_anchors data/obj.data -num_of_clusters 9 -width 416 -height 416 -show

在這裡插入圖片描述
同目錄下會生成anchors.txt
7. 更高的準確率需要更高的解析度，608X608或者832X832，如果視訊記憶體不夠，增加subdivisions=16, 32 or 64

測試

批量測試

還是修改原始碼吧，修改

detector.c

大不了重新編譯一次，終於發現了之前GetFilename函式獲取檔名的問題，只能複製檔名的前3個字元給儲存的結果檔名，就導致之前出現一直會覆蓋掉之前檔案的錯誤

char *GetFilename(char *p)
{
	static char name[20] = { "" };
	char *q = strrchr(p, '/') + 1; //在檔名中從後往前查詢第一個/
	memset(name, ' ', sizeof(name)); //清除記憶體位置
	strncpy(name, q, 10); // 把檔名複製到name中，最多複製n個字元
	return name;
}

現在這樣就好啦！
記得把下面這塊也改一改,在1659行左右，
方法ctrl+F查詢draw_detections_v3，修改上面那個

draw_detections_v3(im, dets, nboxes, thresh, names, alphabet, l.classes, ext_output);
//save_image(im, "predictions");
char b[1024];
sprintf(b, "output/%s", GetFilename(input));
save_image(im, b);

測試前修改cfg檔案，把#Testing 下的兩行解除註釋

[net]
# Testing
batch=1
subdivisions=1
# Training
batch=32
subdivisions=16
width=416
height=416
channels=3
momentum=0.949
decay=0.0005
angle=0
saturation = 1.5
exposure = 1.5
hue=.1

最後貼一下訓練及測試的命令，謹此銘記

訓練資料

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

單張測試

darknet.exe detector test data/obj.data yolov-obj.cfg  backup/yolov-obj_800.weights test.jpg -i 0 -thresh 0.25 -gpus 0,1,2,3

批量測試結果儲存至output資料夾

darknet.exe detector test data/obj.data yolov-obj.cfg  backup/yolov-obj_800.weights -ext_output < data/test.txt > result.txt -gpus 0,1,2,3

不想顯示的話

darknet.exe detector test data/obj.data yolov-obj.cfg  backup/yolov-obj_800.weights -ext_output -dont_show < data/test.txt > result.txt -gpus 0,1,2,3

想要輸出座標的話

darknet.exe detector test data/obj.data yolov-obj.cfg  backup/yolov-obj_800.weights -ext_output dog.jpg

Caffe下自己的資料訓練和測試
2015-08-11
yolov5 自建資料集訓練測試
2020-11-06
YOLO
(13)caffe總結之訓練和測試自己的圖片
2020-04-04
yolov3訓練自己資料教程
2018-08-23
YOLO
Mxnet R FCN 訓練自己的資料集
2018-09-28
用SSD-Pytorch訓練自己的資料集
2019-03-26
PyTorch
Mxnet-R-FCN-訓練自己的資料集
2018-09-28
OpenCV訓練自己的衣服探測分類器
2014-08-07
OpenCV
Caffe-SSD-Ubuntu16-04-訓練自己的資料集
2019-03-03
Ubuntu
keras-retinanet 用自己的資料集訓練
2019-03-19
KerasNaN
Caffe SSD Ubuntu16 04 訓練自己的資料集
2018-09-28
Ubuntu
谷歌colab訓練自己的資料集YOLOv3
2020-12-04
谷歌YOLO
用PyTorch版本R-FCN訓練自己的資料
2020-10-03
PyTorch
Alink漫談(七) : 如何劃分訓練資料集和測試資料集
2020-06-12
Yolov3程式碼分析與訓練自己資料集
2019-06-27
YOLO
資料集訓練
2024-03-18
Windows10 使用 Tensorflow Object_detection API 訓練自己的資料
2018-10-21
WindowsObjectAPI
Caffe 訓練mnist資料
2014-08-23
資料集訓練+1
2024-03-18
YOLOv4: Darknet 如何於 Docker 編譯，及訓練 COCO 子集
2020-09-11
YOLODocker編譯
自己訓練SVM分類器進行HOG行人檢測
2013-11-13
HOG
資料模型需要多少訓練資料？
2015-12-23
模型
目標檢測---教你利用yolov5訓練自己的目標檢測模型
2022-06-14
YOLO模型
win10 下的YOLOv3 訓練 wider_face 資料集檢測人臉
2019-06-27
Win10YOLOIDE
fashion資料集訓練
2020-11-16
全網最細 | 教你如何在 docker 容器下使用 mmdetection 訓練自己的資料集
2020-01-06
Docker
使用自己的資料集訓練MobileNet、ResNet實現影象分類（TensorFlow）
2019-03-09
Yolov5_v6.2訓練資料集進行預測
2023-01-16
YOLO
保姆級教程：nnUnet在2維影像的訓練和測試
2021-01-01
win10怎麼測自己電腦網速_win10測試自己電腦網速的方法
2019-12-12
Win10
訓練指南：資料訓練定期儲存【GpuMall雲平臺特價】
2024-04-08
GPU
訓練資料也外包？這家公司“承包”了不少註釋訓練資料，原來是這樣做的……
2020-03-17
訓練機器學習的資料集大小很重要 - svpino
2021-04-23
機器學習
如何改善你的訓練資料集？（附案例）
2018-08-04
軟體測試培訓分享：做軟體測試需要掌握資料庫的知識嗎?
2021-11-18
資料庫
訓練自己的Android TensorFlow神經網路
2020-10-25
Android神經網路
梯度會洩漏訓練資料？MIT新方法從梯度竊取訓練資料只需幾步
2019-12-12
梯度MIT
ImageAI實現完整的流程：資料集構建、模型訓練、識別預測
2019-08-28
AI模型

YOLOv4 win10 配置 + 訓練自己的資料 + 測試

配置

YOLO v4原始碼

CMake安裝

CUDA安裝

cuDNN安裝

OpenCV安裝

Cmake編譯

VS編譯

影像測試

測試結果

訓練

標註工具

準備資料集

資料夾格式

建立資料夾的程式

獲取所有檔名

執行voc_label

新建obj.data

新建obj.names

修改cfg檔案

訓練資料

開始訓練

繼續訓練

停止訓練

提高目標檢測準確率

測試

批量測試

相關文章