yolov4/yolov4-tiny保姆级训练教学

一、pytorch环境搭建

在安装anaconda的前提下

在编译器pycharm的终端

1.创建新环境

conda create -n pytorch1.6_cuda10.2 python=3.7

//创从大python3.7pytorch1.6的编译环境

2.激活环境

conda activate pytorch1.6_cuda10.2

3.按照版本下载

conda install pytorch==1.6.0 torchvision==0.7.0 cpuonly -c pytorch

//只安装cpu版本的pytorch1.6

（这个地方我不确定你是不是能装gpu 先用cpu试试看训练效果）

txt中的文件包含现在需要的环境

设置一个requirements.txt

pip install -r requirements.txt -i ttps://pypi.doubanio.com/simple/

剩下的一些函数或者函数名调用过程中出现问题

直接用pycharm 设置部分的可用包直接pip

或者pip install scipy -i Simple Index

改红色地方的东西为 函数名比如yaml

二、labelimg的安装

1.win+R输入cmd打开终端

conda activate pytorch1.6_cuda10.2 （激活环境）

2、直接pip install labelimg

三、数据处理部分

1、rename数据文件

保证你的文件要是jpg形式或者png 若出现前后不一致 在python文件中无法调用

数据处理部分

改正文件路径

在之前文件是jpg 修改if后面的‘.jpg’

JPG文件 的时候 j=2进行修改 续在之前文件的后面

①打标记的时候用有序序列的图像 可以不标注图片 但是一定要用labelimg所有图片都过一便，否则会在voc_label处出现 images和annotation处无法对应。

②数据加强可以通过opencv简单处理 或者有旋转即可

按照 images和annatation分别放置文件夹 按照yolo操作步骤重新操作

2、数据加强

● 将数据增强模块嵌入model中
● 在Dataset数据集中进行数据增强

或者可以自定义函数来增强数据

如：调整图像饱和度

#visualize(image, saturated)
image = tf.expand_dims(images[3]*255, 0)
saturated = tf.image.adjust_saturation(image, 3)
plt.figure(figsize=(8, 8))
for i in range(9):
    augmented_image = aug_img(saturated)
    ax = plt.subplot(3, 3, i + 1)
    plt.imshow(augmented_image[0].numpy().astype("uint8"))

    plt.axis("off")

对图像进行裁剪等

image = tf.expand_dims(images[3]*255, 0)
cropped = tf.image.central_crop(image, central_fraction=0.5)

plt.figure(figsize=(8, 8))
for i in range(9):
    augmented_image = aug_img(cropped)
    ax = plt.subplot(3, 3, i + 1)
    plt.imshow(augmented_image[0].numpy().astype("uint8"))

    plt.axis("off")

四、yolov4训练过程

1.data数据当中

改文件中类的名称和数据

例如：

6类水果

Apple

Mango

Banana

nongfushanquan

toothbrush

wanglaoji

2.运行文件中的kmeans文件

出现上述问题 说明标签的大小统一 无法进行k聚类算法 调整k值为2或者3（正常为6）

运行结束后打开 kmeans.txt文件

复制结果

3.打开cfg文件中的yolo—tiny

快捷键ctrl+f 搜索yolo

**anchors **= 84,112, 273,273,84,112, 273,273,84,112, 273,273

classes=6

**上一层的****filter   ****（类别数****+5****）*****3   ****先验框**

**filters**=**33**

yolo有两处 均需要改

4.运行makeTxt.py

区分训练集和验证集

**5.voc_label.py **

其中修改classes为数据内容

并改正list_file.write当中的文件路径

运行voc_label.py文件

6.可以开始训练程序

对当前的数据集和训练要求来改正其中的default内容

注意在路径部分 可以用///来更改路径 或者在路径前面+r //

train.py  

parser.add_argument(**'--cfg'**, type=str, default=**'cfg/csdarknet53s-BIFPN-spp-CA-GTSDB.cfg'**, help=**'model.yaml path'**)

parser.add_argument(**'--data'**, type=str, default=**'data/GTSDB.yaml'**, help=**'data.yaml path'**)

五、租用GPU

如果自己没有训练条件的话，可以租用网上的gpu 教程如下

1. 百度搜索gpushare
2. 创建pytorch环境

​​​​​​​

3.点击文件 站点管理器登录

4.将压缩文件传输至hy-tmp文件夹中

先把requirements文件放进去 后面备用

打开jupyterlab 终端

创建环境

conda create -n py python=3.7

conda activate py

conda install pytorch==1.7.0 torchvision==0.8.0 torchaudio==0.7.0 cudatoolkit=10.2 -c pytorch

cd /hy-tmp #1s ##打开文件夹

pip install -r requirements.txt 安装所需要的文件

记得里面要加 pyyaml 和 scipy

解压：unzip 1.zip

打开文件夹：cd tea #1s

运行代码 python train.py