yolov4/yolov4-tiny保姆级训练教学

news2024/9/20 10:33:31

一、pytorch环境搭建

1.创建新环境

2.激活环境

3.按照版本下载

二、labelimg的安装

三、数据处理部分

1、rename数据文件

2、数据加强

四、yolov4训练过程

五、租用GPU

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')