YoloV4实战：手把手教物体检测——YOLOV4（pytorch）

摘要

训练

下载代码

下载权重文件

制作数据集

安装运行需要的包

修改类别

修改配置文件cfg.py

修改models.py

修改train.py文件

测试

摘要

???? YOLOV4在coco上面达到了43.5%AP ，在Tesla V100 上达到了65FPS。相比今年的其它模型，得分不算高，但是它不是通过提高输入图像的分辨率来提高得分的，而是改进网络结构。创新点主要有一下几个方面：

（1）输入端：这里指的创新主要是训练时对输入端的改进，主要包括Mosaic数据增强、cmBN、SAT自对抗训练。

（2）BackBone主干网络：将各种新的方式结合起来，包括：CSPDarknet53、Mish激活函数、Dropblock

（3）Neck：目标检测网络在BackBone和最后的输出层之间往往会插入一些层，比如Yolov4中的SPP模块、FPN+PAN结构

（4）Prediction：输出层的锚框机制和Yolov3相同，主要改进的是训练时的损失函数CIOU_Loss，以及预测框筛选的nms变为DIOU_nms

训练

? 本地环境：

?? Ubuntu20.04

?? pytorch1.5.1

? ?CUDA10.1

? ?Python3.7

下载代码

本文使用的代码是：https://github测试数据/Tianxiaomo/pytorch-Yolov4

训练和测试推理代码都已经完成。

下载权重文件

yolov4.conv.137.pth

链接一：https://pan.baidu测试数据/s/1ovBie4YyVQQoUrC3AY0joA?提取码：kcel

链接二：

https://drive.google测试数据/open?id=1fcbR0bWzYfIEdLJPzOsn4R5mlvR6IQyA

将下载的权重文件放到data文件夹下面

制作数据集

数据集地址：https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/14003627

将Labelme数据集复制到pytorch-YOLOv4-master文件夹下面，如图：

然后用pycharm新建labelme2txt.py文件。写入生成训练集和验证集的代码。

labelme2txt.py代码：

from os import getcwd from sklearn.model_selection import train_test_split import json import glob wd = getcwd() "labelme 标注的 json 数据集转为pytorch版 yolov4 的训练集 " classes = [ "aircraft" , "oiltank" ] image_ids = glob.glob( r"LabelmeData/*jpg" ) print(image_ids) train_list_file = open( 'data/train.txt' , 'w' ) val_list_file = open( 'data/val.txt' , 'w' ) def convert_annotation(image_id, list_file): ??? jsonfile=open( '%s.json' % (image_id)) ??? in_file = json.load(jsonfile) ??? for i in range(0,len(in_file[ "shapes" ])): ??????? object=in_file[ "shapes" ][i] ??????? cls=object[ "label" ] ??????? points=object[ "points" ] ??????? xmin=int(points[0][0]) ??????? ymin=int(points[0][1]) ??????? xmax=int(points[1][0]) ??????? ymax=int(points[1][1]) ??????? if cls not in classes: ??????????? print( "cls not in classes" ) ??????????? continue ??????? cls_id = classes.index(cls) ??????? b = (xmin, ymin, xmax, ymax) ??????? list_file.write( " " + "," .join([str(a) for a in b]) + ',' + str(cls_id)) ??? jsonfile.close() def ChangeData2TXT(image_List,dataFile): ??? for image_id in image_List: ??????? dataFile.write( '%s' % (image_id.split( ' \\ ' )[-1])) ??????? convert_annotation(image_id.split( '.' )[0], dataFile) ??????? dataFile.write( ' \n ' ) ??? dataFile.close() trainval_files, test_files = train_test_split(image_ids, test_size=0.2, random_state=55) ChangeData2TXT(trainval_files,train_list_file) ChangeData2TXT(test_files,val_list_file)

安装运行需要的包

参照requirements.txt安装本机没有的包，版本不一定要保持一致，只要后期不报错就没有事。

修改类别

将coco.names和voc.names里面的类别修改为自己数据集的类别（默认是coco.names，都改了肯定没有错。），顺序和labelme2txt.py中的classes顺序保持一致。

修改配置文件cfg.py

Cfg.use_darknet_cfg = False

Cfg.batch = 2(根据自己的显卡修改，我的显卡是8G的最多可以训练里2个batch)。

Cfg.subdivisions = 1

修改models.py

将51行和53行的inplace=True改为inplace=False。如果不修改，训练的时候会报个错误。

修改train.py文件

找到526行，这个方法的参数是对cfg.py里面参数的更新。

主要修改的参数如下：

parser.add_argument( '-g' , '--gpu' , metavar= 'G' , type=str, default= '0' , ??????????????????? help= 'GPU' , dest= 'gpu' )#设置GPU使用的GPU

parser.add_argument( '-dir' , '--data-dir' , type=str, default= "LabelmeData" , ??????????????????? help= 'dataset dir' , dest= 'dataset_dir' )#图片所在的文件夹。

????????????????? parser.add_argument( '-pretrained' , type=str, default= "data/yolov4.conv.137.pth" , help= 'pretrained yolov4.conv.137' )#设置预训练权重文件的路径。

????????????????? parser.add_argument( '-classes' , type=int, default=80, help= 'dataset classes' )#物体类别数。

parser.add_argument( '-train_label_path' , dest= 'train_label' , type=str, default= 'data/train.txt' , help= "train label path" )#训练集存放的路径。

注释415行到440行的代码，这段代码在验证的时候一直报错，我找不到原因。后续找到原因再更新。

?将以上的内容修改完成后就可以点击run开始训练了。

测试

测试主要修改models.py的代码。将下面的代码从449行替换。

if?__name__?==?"__main__":

????import?sys

????import?cv2



????namesfile?=?None

????n_classes=2

????weightfile="checkpoints/Yolov4_epoch151.pth"?

????imgfile="data/aircraft_4.jpg"#待测试的图片

????width=608

????height=608

????model?=?Yolov4(yolov4conv137weight=None,?n_classes=n_classes,?inference=True)



????pretrained_dict?=?torch.load(weightfile,?map_location=torch.device('cpu'))

#如果使用GPU则改为：

#pretrained_dict?=?torch.load(weightfile,?map_location=torch.device('cuda'))

??? model.load_state_dict(pretrained_dict) ??? use_cuda = True ??? if use_cuda: ??????? model.cuda() ??? img = cv2.imread(imgfile) ??? # Inference input size is 416*416 does not mean training size is the same ??? # Training size could be 608*608 or even other sizes ??? # Optional inference sizes: ??? #?? Hight in {320, 416, 512, 608, ... 320 + 96 * n} ??? #?? Width in {320, 416, 512, 608, ... 320 + 96 * m} ??? sized = cv2.resize(img, (width, height)) ??? sized = cv2.cvtColor(sized, cv2.COLOR_BGR2RGB) ??? from tool.utils import load_class_names, plot_boxes_cv2 ??? from tool.torch_utils import do_detect ??? for i in range(2):? # This 'for' loop is for speed check ??????????????????????? # Because the first iteration is usually longer ??????? boxes = do_detect(model, sized, 0.4, 0.6, use_cuda) ??? if namesfile == None: ??????? if n_classes == 2: ??????????? namesfile = 'data/voc.names' ??????? elif n_classes == 80: ??????????? namesfile = 'data/coco.names' ??????? else: ??????????? print("please give namefile") ??? class_names = load_class_names(namesfile) ??? resultImg=plot_boxes_cv2(img, boxes[0], 'predictions.jpg', class_names) ??? cv2.imshow("image",resultImg) ??? cv2.waitKey(0);

测试结果：

源码链接：https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/12821500

参考文章：

深入浅出Yolo系列之Yolov3&Yolov4核心基础知识完整讲解

https://blog.csdn.net/nan355655600/article/details/106246625?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.nonecase

声明：本文来自网络，不代表【好得很程序员自学网】立场，转载请注明出处：http://haodehen.cn/did126292

更新时间：2022-11-28 阅读：41次