bemy1008的博客

1、准备数据总体文件结构如下：数据文件夹格式与VOC数据类似，包括**images（train、val）和labels（train、val）**文件夹，分别存放图片和对应的标注txt文件。2、修改配置文件样本准备完毕后，修改配置文件，与yolov4的准备过程类似，cfg与超参文件。2.1 axtc.yaml文件拷贝coco128.yaml修改为自己的文件。修改train、val文件夹路径，以及自己的类别数量及名称。2.2 Yolovs.yaml文件根据自己的需要，修改对应的网络

训练Yolo-v4过程中总是失败，报错“Segmentation fault (core dumped)”根据网上的提示原因无外乎有三：（1）内存爆；（2）出现野指针；（3）数据本身的问题；比较纠结的在Windows上可以正常训练，但在Ubuntu上总出问题。我用的显卡是RTX2080ti，根据nvidia-smi显示显卡才用了60%左右；数据已经核验了一遍，没有标记空框的情况！用gdb调试后，有了重大发现！居然读图失败！之后出现地址访问不到的问题！按照提示的图片查看数据，发现该图片的后缀

转自：https://blog.youkuaiyun.com/weixin_41560402/article/details/1061197741. 概述现阶段的目标检测器主要由4部分组成：Input、Backbone、Neck、Head。YOLOv4模型由以下部分组成：CSPDarknet53作为骨干网络BackBone；SPP作为Neck的附加模块，PANet作为Neck的特征融合模块；YOLOv3作为Head。2. 网络分块解析2.0 先睹为快我们可以使用模型结构可视化工具Netron

随着AlexAB大神将YOLO继续发扬光大到V4之后，一大波yolo粉狂欢了一阵，但是对于初学者想用却遇到了麻烦，因为环境配置永远是头疼的。准备工作VS2017OpenCV3.4CUDA10.1（+cudnn）其他版本亦可，取决于你显卡的配置，我的是Titan Xpdarknet 源码（https://github.com/AlexeyAB/darknet）配置环境2.1 创建VS...

调试YOLOv3时，想测试GPU效果。报错如下： 搜索网上的解决方法，有很多人说是因为GPU计算力不匹配的问题，建议修改 –gpu-architecture=compute_52, –gpu-code=compute_52. 为 –gpu-architecture=compute_30, –gpu-code=compute_30 然并卵！ 只需要在执行时加上 sudo 即可！！！ ...

转载感谢大神nusit_305的杰作https://blog.youkuaiyun.com/lilai619/article/details/79695109linux               版本：请参考本文与 https://pjreddie.com/darknet/yol

转载自：https://blog.youkuaiyun.com/yudiemiaomiao/article/details/72469135等待训练结束后（有时还没等结束模型就开始发散了），因此需要检测各项指标（如loss）是否达到了我们期望的数值，如果没有，要分析为什么。可视化训练过程的中间参数可以帮助我们分析问题。 可视化中间参数需要用到训练时保存的log文件：./darknet detector ...