V2AS问路
目标检测框架——Darknet YOLOv4
阅读原文时间：2021年04月23日阅读：1

前言

目标检测的模型还是很多的，要挨个挨个学还是有点吃力（精力旺盛可忽略），所以这里总结一下当前流行的目标检测的框架：darknet yolov4，mmdetection2.0，detectron2.0。至于这三个框架怎么去选择，我的答案是只有你真正懂了，上手试了这几个框架之后你才能比较它们之间的优劣。

1 Darknet YOLOv4 配置

我的环境：WIN10，CUDA10.1，cuDNN7.6.4，Anaconda，VS2019，OpenCV3.4.10，GTX1660（6G内存）

  1. Windows10 这几个框架全都是在windows10上配置成功的（符合大多数不懂Linux的朋友）。windows10不用我多说，windows7的小伙伴找个机会赶紧升级吧，不然接下来的很多操作你会不适应。
  2. CUDA10.1 各个版本的CUDA下载（没有CUDA的小伙伴你就放弃吧，真心跑不动）。
  3. cuDNN7.6.4 cuDNN官方下载地址（需要注册NVIDIA账号下载）。
  4. Python3.7 这个Anaconda已经自带。
  5. VS2019 进入VS官网下载社区版。
  6. OpenCV3.4.10 官网下载3.4.10版本
  7. YOLO v4 GitHub下载YOLO v4项目并解压。
  8. 复制OpenCV文件 将opencv\build\x64\vc15\bin的两个dll文件： opencv_ffmpeg340_64.dll和opencv_world340.dll复制到darknet\build\darknet\x64
  9. 配置VS2019 见下

具体如何将上述软件整合到一起的操作，详见：WIN10+YOLOv4，windows上完美执行YOLOv4目标检测

2 YOLOv4如何使用

  1. Yolo v4 COCO - 检测一张图片: darknet.exe detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -thresh 0.25
  2. 输出被检测物体坐标: darknet.exe detector test cfg/coco.data yolov4.cfg yolov4.weights -ext_output dog.jpg
  3. Yolo v4 COCO - 检测一段视频: darknet.exe detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output test.mp4
  4. Yolo v4 COCO - 本地摄像头检测: darknet.exe detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights -c 0
  5. Yolo v4 COCO 智能网络摄像头(海康): darknet.exe detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights http://192.168.0.80:8080/video?dummy=param.mjpg
  6. Yolo v4 - 保存结果视频文件res.avi: darknet.exe detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights test.mp4 -out_filename res.avi
  7. Yolo v3 Tiny COCO - 视频: darknet.exe detector demo cfg/coco.data cfg/yolov3-tiny.cfg yolov3-tiny.weights test.mp4
  8. JSON和MJPEG服务器，允许来自您的软件浏览器或Web浏览器ip-address:8070和8090的多个连接: ./darknet detector demo ./cfg/coco.data ./cfg/yolov3.cfg ./yolov3.weights test50.mp4 -json_port 8070 -mjpeg_port 8090 -ext_output
  9. Yolo v3 Tiny 在 GPU #1上: darknet.exe detector demo cfg/coco.data cfg/yolov3-tiny.cfg yolov3-tiny.weights -i 1 test.mp4
  10. 替代方法Yolo v3 COCO-检测图片: darknet.exe detect cfg/yolov4.cfg yolov4.weights -i 0 -thresh 0.25
  11. 在Amazon EC2上进行训练，以使用URL来查看mAP和丢失图表，例如: http://ec2-35-160-228-91.us-west-2.compute.amazonaws.com:8090 在Chrome / Firefox中（Darknet应该使用OpenCV进行编译）: ./darknet detector train cfg/coco.data yolov4.cfg yolov4.conv.137 -dont_show -mjpeg_port 8090 -map
  12. 186 MB 的Yolo9000-检测图片: darknet.exe detector test cfg/combine9k.data cfg/yolo9000.cfg yolo9000.weights
  13. 如果使用cpp api构建应用程序，请记住将data / 9k.tree和data / coco9k.map放在应用程序的同一文件夹下。
  14. 要处理图像列表data/train.txt并将检测结果保存到result.json文件中，请使用: darknet.exe detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output -dont_show -out result.json < data/train.txt
  15. 处理图像列表data/train.txt并保存检测结果以result.txt供使用:
    darknet.exe detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -dont_show -ext_output < data/train.txt > result.txt
  16. Pseudo-lableing - 处理图像列表data/new_train.txt并将检测结果以Yolo训练格式保存为每个图像作为标签<image_name>.txt（通过这种方式，您可以增加训练数据量）使用: darknet.exe detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -thresh 0.25 -dont_show -save_labels < data/new_train.txt
  17. 计算 anchors: darknet.exe detector calc_anchors data/obj.data -num_of_clusters 9 -width 416 -height 416
  18. 检查 mAP@IoU=50: darknet.exe detector map data/obj.data yolo-obj.cfg backup\yolo-obj_7000.weights
  19. 检查 mAP@IoU=75: darknet.exe detector map data/obj.data yolo-obj.cfg backup\yolo-obj_7000.weights -iou_thresh 0.75
  20. YOLOv4-tiny调用摄像头 darknet.exe detector demo cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.weights -c 0
  21. YOLOv4-tiny调用海康摄摄像头 darknet.exe detector demo cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.weights rtsp://admin:forward1@192.168.7.102:554/Streaming/Channels/1

3 YOLOv4训练自己的数据集

3.1 labelme制作数据集

这里先说明一下为什么我要选择labelme来制作数据集，鉴于目前网上大多数都是采用的labelimg来制作YOLO的数据，但是思考到一个问题：

  • 如果每用一个框架或者训练一个网络就去重新制作一次数据集，这样会不会重复做一无用功？

所以我才用labelme来制作数据集，最明显的优点就是既可以目标检测又可以实力分割。

至于如何用labelme来标记数据，不会的自己百度，很简单。

3.2 labelme2voc

由于目前网络上很多都是针对VOC数据集的，所以主要是如何将labelme制作的数据转化为VOC格式的数据。（我知道daknet一定可以直接训练coco格式的数据格式，由于资料过少，就没有具体去尝试，有会的大佬还望不吝赐教）

在data目录下创建一个VOCdevkit文件夹，格式如下：

x64
├── backup
├── cfg
├── configs
├── voc
├── data
│   ├── VOCdevkit
│   │   ├── VOC2007
│   │   │    ├── Annotations
│   │   │    ├── ImageSets
│   │   │    ├── JPEGImages
│   │   │    ├── labels

labelme制作的json文件并不能直接使用，需要转换工具转换成VOC数据集文件的格式。去GitHub下载labelme2voc.py文件，然后修改里面的文件路径。主要修改以下两个地方：

#1.标签路径
labelme_path = "./labelme/"              #原始labelme标注数据路径
saved_path = "./VOCdevkit/VOC2007/"                #保存路径

（如果报错，那就把错误打印出来在百度，很快就能解决）。

完成了上面的转化就生成了标准的VOC数据格式。

3.3 voc_label

YOLO并不能直接训练VOC的数据格式，还需要转化成YOLO自己的数据格式。
数据准备完毕后，打开voc/voc_label.py修改以下几个地方：

  1. 第七行：sets=[('2007', 'train'), ('2007', 'val'), ('2007', 'test')]
  2. 将第9行改为自己数据集的类别名称：classes = ["cat","dog"]
    更改完成保存。将voc_label.py复制到data文件夹下，运行命令python voc_label.py

在VOCdevkit/VOC2007路径在可以看到labels文件夹,并且在data文件夹内会有2007_test.txt、2007_train.txt、2007_val.txt这三个文件。至此数据集准备完毕。

3.4 修改配置文件

  1. 修改data/voc.data

    classes= 1
    train = data/2007_train.txt
    valid = data/2007_val.txt
    #difficult = data/difficult_2007_test.txt
    names = data/voc.names
    backup = backup/

  2. 2.修改data/voc.names将里面改成自己类别的名字。

  3. 修改cfg/yolov4-custom.cfg

3.5 修改cfg/yolov4-custom.cfg

cfg/yolov4-custom.cfg总共有6处修改：

  1. yolov4-cat.cfg文件第1-7行如下：
    ----------------------------------------------------------------
    [net]
    # Testing
    #batch=1
    #subdivisions=1
    # Training
    batch=64
    subdivisions=16
    ----------------------------------------------------------------
    注意：由于是进行训练，这里不需要修改。训练过程中可能出现CUDA out of memory的提示，可将这里的subdivisions增大，如32或64，但是数值越大耗时越长，因此需要权衡一下；

  2. yolov4-cat.cfg文件第8-9行将608修改为416：
    ----------------------------------------------------------------
    width=416
    height=416
    ----------------------------------------------------------------
    注意：这里也可不改，如果原始的数值608可能会导致CUDA out of memory的提示，而且这里的数值必须是32的倍数，这里也是数值越大耗时越长；

  3. 第20行的参数max_batches也要修改，原始值为500500，max_batches = classes*2000，但是max_batches不要低于训练的图片张数，这里只训练1类，因此max_batches = 2000；

  4. 第22行的参数steps=1600,1800，这两个数值分别为`max_batches的80%和90%；

  5. 继续修改yolov4-cat.cfg文件，按Ctrl+F键，搜索“classes”，一共有3处，先定位到第一处，将classes=80改为classes=1，并将classes前面最近的filters修改为18，计算由来（classes+5）*3=18；

  6. 继续修改yolov4-cat.cfg文件，按照上面的步骤同样修改第二处和第三处的classes；

继续修改

进入darknet/data文件夹下，创建名称为cat.names的文件（参考该文件夹voc.names文件的写法），在cat.names文件中添加类别名称，本次实验只需添加cat即可；

进入darknet/cfg文件夹下，创建名称为cat.data的文件，在该文件中添加相关内容，一共5行，参考示例voc.data文件，类别改为1；
----------------------------------------------------------------
classes= 1
train = ~/darknet/data/cat_data/train.txt
valid = ~/darknet/data/cat_data/test.txt
names = data/cat.names
backup = backup/
----------------------------------------------------------------
（1）其中第二行和第三行分别为train.txt和test.txt所在的路径，第5行改为前面新建的cat.names；

（2）这里的train.txt和test.txt`前一篇博客中第1步生成的文件；

（3）第5行backup = backup/不能写成其它路径，否则会报错；

3.6 训练和测试

训练

打开命令行窗口进入darknet目录下，并输入以下指令：

#单GPU
C:\Darknet\darknet-master\build\darknet\x64>.\darknet.exe detector train cfg/voc.data  cfg/yolov4-custom.cfg yolov4.conv.137 

#多GPU
C:\Darknet\darknet-master\build\darknet\x64>.\darknet.exe detector train cfg/voc.data  cfg/yolov4-custom.cfg yolov4.conv.137 -gpus 0,1,2,3

训练的过程中，生成的权重文件会存放在/darknet/backup文件夹下，训练过程每隔一段时间会生成一个.weights文件；

训练的一些输出说明：

  1. Region xx: cfg文件中yolo-layer的索引；
  2. Avg IOU:当前迭代中，预测的box与标注的box的平均交并比，越大越好，期望数值为1；
  3. Class: 标注物体的分类准确率，越大越好，期望数值为1；
  4. obj: 越大越好，期望数值为1；
  5. No obj: 越小越好；
  6. .5R: 以IOU=0.5为阈值时候的recall; recall = 检出的正样本/实际的正样本
  7. 0.75R: 以IOU=0.75为阈值时候的recall;
  8. count:正样本数目

测试

生成.weights文件后，便可以进行测试了（此时训练仍在继续，另外开一个终端进入darknet路径下）。也可以等待全部训练完成后再进行测试。测试指令如下：

C:\Darknet\darknet-master\build\darknet\x64>.\darknet.exe detect  cfg/yolov4-custom.cfg backup/yolov4-custom_last.weights data/test2014/1.jpg

注意，Yolo v4版本添加了训练时候训练误差随着迭代次数的增加而变化的图，可以方便看误差的变化情况。

手机扫一扫

移动阅读更方便

阿里云服务器
腾讯云服务器
七牛云服务器

你可能感兴趣的文章

服务器consul与本地服务健康检查不通问题解决