其他分享
首页 > 其他分享> > YOLOv4如何训练自己的数据集

YOLOv4如何训练自己的数据集

作者：互联网

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-CSDN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VOCdevkit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)

    文件来源于博客：Yolov4训练自己的数据集_sinat_28371057的博客-CSDN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）

    文件来源于darknet下的scripts文件夹

    #!/usr/bin/env python
# -*- coding: utf-8 -*-
# file: voc_label.py
# 生成最终的txt文件和label文件夹
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
import platform
​
sets = [('2007', 'train'), ('2007', 'val'), ('2007', 'test')]
classes = ["Bus", "Microbus", "Minivan", "Sedan", "SUV", "Truck"]
​
​
def convert(size, box):
    dw = 1. / (size[0])
    dh = 1. / (size[1])
    x = (box[0] + box[1]) / 2.0 - 1
    y = (box[2] + box[3]) / 2.0 - 1
    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
​
​
def convert_annotation(year, image_id):
    in_file = open('VOCdevkit/VOC%s/Annotations/%s.xml' % (year, image_id))
    out_file = open('VOCdevkit/VOC%s/labels/%s.txt' % (year, image_id), 'w')
    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'):
        # 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()
​
for year, image_set in sets:
    if not os.path.exists('VOCdevkit/VOC%s/labels/' % year):
        os.makedirs('VOCdevkit/VOC%s/labels/' % year)
    image_ids = open('VOCdevkit/VOC%s/ImageSets/Main/%s.txt' % (year, image_set)).read().strip().split()
    list_file = open('%s_%s.txt' % (year, image_set), 'w')
    for image_id in image_ids:
        list_file.write('%s/VOCdevkit/VOC%s/JPEGImages/%s.jpg\n' % (wd, year, image_id))
        print("Processing image:  %s" % image_id)
        convert_annotation(year, image_id)
    list_file.close()
​
# if platform.system().lower() == 'windows':
#     os.system("type 2007_train.txt 2007_val.txt > train.txt")
#     os.system("type 2007_train.txt 2007_val.txt 2007_test.txt > train.all.txt")
# elif platform.system().lower() == 'linux':
#     os.system("cat 2007_train.txt 2007_val.txt > train.txt")
#     os.system("cat 2007_train.txt 2007_val.txt 2007_test.txt > train.all.txt")
​
print("done")

  5. 复制2007_test.txt、2007_train.txt、2007_val.txt到data文件夹，搜索并复制darknet下的voc.data、voc.names到data文件夹

  6. 训练yolov4时，搜索并复制darknet下的yolov4.conv.137、yolov4-custom.cfg到data文件夹，若找不到，从网上下载

    训练yolov4-tiny时，搜索并复制darknet下的yolov4-tiny.conv.29、yolov4-tiny-custom.cfg到data文件夹，若找不到，从网上下载

    1. for yolov4.cfg, yolov4-custom.cfg (162 MB): yolov4.conv.137 (Google drive mirror yolov4.conv.137 )

    2. for yolov4-tiny.cfg, yolov4-tiny-3l.cfg, yolov4-tiny-custom.cfg (19 MB): yolov4-tiny.conv.29

    备注：关于文件放置的路径可以自己决定，只要知道对应的文件代表的意义，在后续的配置过程中，指定正确的路径即可

第三步：配置网络结构和训练参数

  1. xxx..names文件

    训练类别名称指定：voc.names

    替换为自己数据集的类别名称，一行一个，不要出现空行

  2. xxx.data文件

    数据路径文件指定：voc.data

    classes：指定类别个数

    train：指定训练数据集图片路径读取txt

    valid：指定验证数据集图片路径读取txt

    test：指定测试数据集图片路径读取txt

    names：指定了类别名称读取文件

    backup：指定训练权重保存文件路径

    例如：

    classes= 6
train  = D:\DataSet\data/2007_train.txt
valid  = D:\DataSet\data/2007_val.txt
test = D:\DataSet\data/2007_test.txt
names = D:\DataSet\data/voc.names
backup = D:\DataSet\data/backup

  3. yoloxxx.cfg

    训练网络参数配置：yolov4-tiny-custom.cfg

    注意主要修改的几处：

    [net]：

    batch：批处理大小，显卡越强，此值可以设置高一点， 否则使用默认值，或适当降低

    subdivisions：每一批次分成多少等份

    [yolo]:

    classes：类别数

    anchors：预选框大小

    备注：yolov4有3个yolo层，需要改三处，yolov4-tiny有2个yolo层，需要改两处

    [convolutional]

    filters：每一yolo层之上对应有一个convolutional，此值为：（类别数classes+5）X 3，假如类别数为6，则该值为33

    备注：yolov4有3个yolo层，对应convolutional需要改三处，yolov4-tiny有2个yolo层，对应convolutional需要改两处

  4. yoloxxx.conv.xx

    yolov4的预训练权重文件：yolov4.conv.137

    yolov4-tiny的预训练权重文件：yolov4-tiny.conv.29

  5. 创建backup文件夹

    指定网络训练权重保存位置

第四步：训练

1、修改先验框

使用K-means算法计算最优先验框大小

darknet.exe detector calc_anchors data/obj.data -num_of_clusters 9 -width 416 -height 416

命令中data/obj.data为指定的xxx.data文件路径，数字9表示类别数目，例如：

D:\darknet\build\darknet\x64\darknet.exe detector calc_anchors data/voc.data -num_of_clusters 6 -width 416 -height 416

运行后会生成anchors.txt文件，复制文件内容，修改yoloxxx.cfg文件中的[yolo]下的anchors

2、启动训练命令

darknet.exe detector train data/obj.data yolo-obj.cfg yolov4.conv.137

命令中data/obj.data为指定的xxx.data文件路径，yolo-obj.cfg为指定的网络结构文件参数，yolov4.conv.137为预训练权重文件，例如：

D:\darknet\build\darknet\x64\darknet.exe detector train data/voc.data data/yolov4-tiny-custom.cfg data/yolov4-tiny.conv.29 -map

标签：文件,YOLOv4,训练,数据,train,yolov4,2007,txt,data
来源： https://blog.csdn.net/lishan132/article/details/121429644