Darknet框架下如何利用自己的数据集训练YOLOv4模型

第一步：安装darknet

参考：Windows搭建Darknet框架环境-Yolov4-GPU_乐观的lishan的博客-优快云博客

darknet的源码说明中也已经简单介绍了如何利用数据集训练网络

第二步：制作VOC格式数据集

网上搜集自己需要的数据集，或自己拍摄相关视频，然后提取帧图片

大部分的网络公开数据集已经附带有标注好的xml文件

推荐交通领域公开数据集（包含无人驾驶、交通标志、车辆检测三大类）链接如下：【智能交通数据集】一文道尽智能交通领域数据集合集（一） - 飞桨AI Studio - 人工智能学习与实训社区

也有一部分数据集没有xml格式的标注文件，此时需要使用其他方法将其转换为xml文件

例如BITVehicle数据集提供的就是一个mat格式的标注文件，需要编写程序读取数据并生成对应图片的xml文件

对于没有标签的数据集或者是自己拍摄的数据集，需要使用labelimg工具进行标定，生成xml文件，使用pip安装命令即可安装

pip install labelimg

打开labelimg命令

labelimg

新建一个文件夹，参照VOC数据集的目录分布建立其他子文件夹（此时文件夹内还没有文件）

1. 将数据集所有图片放到JPEGImages文件夹

2. 将所有图片对应的xml标注文件放到Annotations

3. 生成txt相关文件放在Main文件夹下(利用gen_files.py文件)

   文件在VOCdevkit同级目录下运行，文件来源于博客：Yolov4训练自己的数据集_sinat_28371057的博客-优快云博客_yolov4训练自己的数据集

   #!/usr/bin/env python
   # -*- coding: utf-8 -*-
   # file: gen_files.py
   # 生成训练所需txt文件
   import os
   import random
   root_path = './VOCdevkit/VOC2007'
   xmlfilepath = root_path + '/Annotations'
   txtsavepath = root_path + '/ImageSets/Main'
   if not os.path.exists(root_path):
       print("cannot find such directory: " + root_path)
       exit()
   if not os.path.exists(txtsavepath):
       os.makedirs(txtsavepath)
   trainval_percent = 0.9   # 训练验证集占比
   train_percent = 0.8      # 训练集占比
   total_xml = os.listdir(xmlfilepath)
   num = len(total_xml)
   tv = int(num * trainval_percent)
   tr = int(tv * train_percent)
   trainval = random.sample(range(num), tv)
   train = random.sample(trainval, tr)
   print("train and val size:", tv)
   print("train size:", tr)
   ftrainval = open(txtsavepath + '/trainval.txt', 'w')
   ftest = open(txtsavepath + '/test.txt', 'w')
   ftrain = open(txtsavepath + '/train.txt', 'w')
   fval = open(txtsavepath + '/val.txt', 'w')
   for i in range(num):
       name = total_xml[i][:-4] + '\n'
       if i in trainval:
           ftrainval.write(name)
           if i in train:
               ftrain.write(name)
           else:
               fval.write(name)
       else:
           ftest.write(name)
   ftrainval.close()
   ftrain.close()
   fval.close()
   ftest.close()

4. 生成最终的txt文件和label文件夹（利用voc_label.py文件）

   文件在VOCdevkit同级目录下运行，文件来源于darknet下的scripts文件夹

   #!/usr/bin/env python
   # -*- coding: utf-8 -*-
   # file: voc_labe