Darknet YoloV4编译+训练（避免踩坑）

爱吃烙饼

已于 2022-07-19 11:23:35 修改

阅读量2.4k

点赞数 3

分类专栏：目标检测yolov4 文章标签：深度学习目标检测人工智能

于 2022-05-17 21:30:00 首次发布

本文链接：https://blog.youkuaiyun.com/qq_49838648/article/details/124820044

版权

目标检测yolov4 专栏收录该内容

3 篇文章

订阅专栏

本文详细介绍了如何使用AlexAB/darknet-yolov4进行编译和训练。首先，确保darknet编译成功并通过测试。接着，整理数据，创建训练所需文件夹和文件，包括XML转TXT、数据集划分等。然后，配置mydata.names和mydata.data文件，并修改yolov4.cfg以适应训练类别。最后，启动训练并使用GPU及实时查看训练进度。文章还提供了断点续训的方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

AlexAB/darknet-yolov4编译+训练

	时间间隔好几天今天来更新一下yolov4的训练。。。。

训练篇

在训练之前需要对大佬的源码进行编译本本机编译，编译过程可查看下述链接：

https://blog.youkuaiyun.com/qq_49838648/article/details/124611927?spm=1001.2014.3001.5502
首先确定darknet编译成功-测试一波：

数据放置

打开创建用于放置数据的训练文件夹。

cd darknet-master
mkdir mydata ###该文件的创建是用于保存你自己的cfg文件，data文件，names文件，预训练模型权重。
mkdir dataset
cd dataset
annotations_cache-----------为缓存文件，训练启动后会自己生成，如类别训练时候类别信息变动需要手动删除。
mkdir Annotations ###放置来自与labelme标注的xml文件
mkdir ImageSets
cd ImageSets
mkdir Main ###放置来自labelme标注xml文件对应的图片生成的路径
mkdir JPEGImages ###放置来自labelme标注xml文件对应的图片
mkdir labels ###放置下述脚本文件makeXTX:将xml文件转为txt的类别文件。
/

cd darknet-master
touch makeTXT.py

	# coding:utf-8
	#该文件用于创建图片片打乱的相对路径用于后续训练使用。
	import os
	import random
	import argparse
	
	parser = argparse.ArgumentParser()
	#xml文件的地址，根据自己的数据进行修改 xml一般存放在Annotations下
	parser.add_argument('--xml_path', default='dataset/Annotations', type=str, help='input xml label path')
	#数据集的划分，地址选择自己数据下的ImageSets/Main
	parser.add_argument('--txt_path', default='dataset/ImageSets/Main', type=str, help='output txt label path')
	opt = parser.parse_args()
	
	trainval_percent = 1.0
	train_percent = 0.9
	xmlfilepath = opt.xml_path
	txtsavepath = opt.txt_path
	total_xml = os.listdir(xmlfilepath)
	if not os.path.exists(txtsavepath):
	    os.makedirs(txtsavepath)
	
	num = len(total_xml)
	list_index = range(num)
	tv = int(num * trainval_percent)
	tr = int(tv * train_percent)
	trainval = random.sample(list_index, tv)
	train = random.sample(trainval, tr)
	
	file_trainval = open(txtsavepath + '/trainval.txt', 'w')
	file_test = open(txtsavepath + '/test.txt', 'w')
	file_train = open(txtsavepath + '/train.txt', 'w')
	file_val = open(txtsavepath + '/val.txt', 'w')
	
	for i in list_index:
	    name = total_xml[i][:-4] + '\n'
	    if i in trainval:
	        file_trainval.write(name)
	        if i in train:
	            file_train.write(name)
	        else:
	            file_val.write(name)
	    else:
	        file_test.write(name)
	
	file_trainval.close()
	file_train.close()
	file_val.close()
	file_test.close()

运行成功后 ImageSets / Main / 下会生成 / trainval.txt，train.txt，test.txt，val.txt。

touch voc_label.py/更改源码中classes

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
# import io
#该源码目的是创建用于训练的txt文件。
sets = ['train', 'test', 'val']
classes = ['person', 'dog']   #######youself classes 
def convert(size, box):
    dw = 1. / size[0]
    dh = 1. / size[1]
    x = (box[0] + box[1]) / 2.0
    y = (box[2] + box[3]) / 2.0
    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)#/home/yd/code/duchangchun/yolov4/dataset/Annotations
def convert_annotation(image_id):
    in_file = open('dataset/Annotations/%s.xml' % (image_id), encoding='UTF-8')
    out_file = open('dataset/labels/%s.txt' % (image_id), 'w', encoding='UTF-8')
    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'):
        try:
            difficult = obj.find('difficult').text
            cls = obj.find('name').text
            if cls not in classes or int(difficult) == 1:
                continue
        except:
            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()
print(wd)
for image_set in sets:
    if not os.path.exists('dataset/labels'):
        os.makedirs('dataset/labels/')
    image_ids = open('dataset/ImageSets/Main/%s.txt' % (image_set)).read().strip().split()
    list_file = open('dataset/%s.txt' % (image_set), 'w',encoding='utf-8')
    for image_id in image_ids:
        list_file.write('dataset/JPEGImages/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

运行成功后dataset文件夹下会生成相应的，trainval.txt，train.txt，test.txt，val.txt。

cd mydata
touch mydata.names ///打开该文本将你自己的类别名字（纵向）放置进去。

例：
person
dog

touch mydata.data ///打开该文本放置以下你自己的数据信息。绝对路径最好

classes= 2
train  = /home/11/darknet-master/dataset/train.txt   ##上述提到的dataset文件下的txt路径
valid  = /home/11/darknet-master/dataset/val.txt     ##上述提到的txt路径
names = /home/11/darknet-master/mydata/mydata.names   
backup = /home/11/darknet-master/backup         ##训练最后生成的权重文件保存位置

至此数据准备完毕

文件放置规范

打开cfg文件夹找到yolov4.cfg copy 到 mydata 文件夹后打开

[net]                   ####net部分
batch=64			##这里的batch和subdivisions表示一次性加载64张图片到内存，分8次完成前向传播，每次8张

subdivisions=8      ###  #经过64张图片的前向传播后，完成一次反向传播及更新
# Training
#width=512
#height=512
width=416	     		###图片宽高根据自己显卡性能设置
height=416
channels=3
momentum=0.949
decay=0.0005
angle=0
saturation = 1.5
exposure = 1.5
hue=.1

learning_rate=0.0013
burn_in=1000
max_batches = 34000    	###max_batches设置规则为：类别*2000
policy=steps
steps=27200,30600       ###step设置规则为：max_batches*0.8,max_batches*0.9
scales=.1,.1

#cutmix=1
mosaic=1  						###马赛克数据增强的阈值

使用Ctrl+F快捷键在yolov4.cfg中搜索修改相关配置信息。

修改classes，使用快捷键搜索关键字[yolo]可以搜到3次，修改classes的数量为你的类别数，这里classes=2，
修改filters，每次搜到的yolo上一个的[convolutional]中filters=(classes + 5)x3 比如filters=21。
至此yolov4cfg文件修改保存。

开始训练。。。

yolov4启动训练

./darknet detector train mydata/mydata.data mydata/yolov4.cfg mydata/yolov4.conv.137

yolov4训练使用gpu以及实时查看map曲线

./darknet detector train mydata/mydata.data mydata/yolov4.cfg mydata/yolov4.conv.137 -gups 0,1,2  -maps

resume

注：在训练过程中如果断开，路径backup文件夹下会生成yolov4.finnal.weights,如想继续训练可使用该命令
```
./darknet detector train mydata/mydata.data mydata/yolov4.cfg backup/yolov4.finnal.weights -gups 0,1,2 -maps
```