YOLOv4实用训练实践
下载YOLOv4源码,推荐使用Ubuntu 18.04:
sudo apt-get install -y git
git clone https://github.com/AlexeyAB/darknet.git
配置Makefile
文件中的参数,然后运行make -j8
进行编译,具体参数解释如下:
GPU=1
使用CUDA和GPU(CUDA默认路径为/usr/local/cuda
)CUDNN=1
使用cuDNN v5-v7加速网络(cuDNN默认路径/usr/local/cudnn
)CUDNN_HALF=1
使用Tensor Cores(可用GPU为Titan V / Tesla V100 / DGX-2或者更新的)检测速度3x,训练速度2xOPENCV=1
使用OpenCV 4.x/3.x/2.4.x,运行检测视频和摄像机DEBUG=1
编译调试版本OPENMP=1
使用OpenMP利用多CPU加速LIBSO=1
编译darknet.so
§
使用uselib
来运行YOLO,输入指令如下: LD_LIBRARY_PATH=./:$LD_LIBRARY_PATH ./uselib test.mp4
§ 在自己的代码中嵌入YOLO,请参考例程: https://github.com/AlexeyAB/darknet/blob/master/src/yolo_console_dll.cpp
ZED_CAMERA=1
增加ZED-3D相机的支持(需要先安装好ZED SDK)
§
运行LD_LIBRARY_PATH=./:$LD_LIBRARY_PATH ./uselib data/coco.names cfg/yolov4.cfg yolov4.weights zed_camera
常见编译问题
/bin/sh: 1: nvcc: not found
首先确保CUDA正确安装,并且在路径/usr/local/cuda
下,然后输入如下指令:
echo "PATH=/usr/local/cuda/bin:$PATH" >> ~/.bashrc
source ~/.bashrc
include/darknet.h:46:10: fatal error: cudnn.h: No such file or directory
首先下载cuDNN
,https://developer.nvidia.com/rdp/cudnn-archive,需要根据自己的CUDA版本选择,然后解压,输入指令:
sudo cp -r cudnn-10.1-linux-x64-v7.6.5.32/cuda /usr/local/cudnn
运行代码
所有模型都是在MS-COCO数据集上训练,模型包括两个文件(cfg
和weights
)
R表示在RTX 2070设备上的FPS,V表示在Tesla V100设备上的FPS
百度网盘打包下载,链接:https://pan.baidu.com/s/1QQPB27n18XeRDnhHA2Gxuw,提取码:uill
§
width=608 height=608
: 65.7 AP@0.5 | 43.5 AP@0.5:0.95 - 34(R) FPS / 62(V) FPS - 128.5 BFlops
§ width=512 height=512
: 64.9 AP@0.5 | 43.0 AP@0.5:0.95 - 45(R) FPS / 83(V) FPS - 91.1 BFlops
§ width=416 height=416
: 62.8 AP@0.5 | 41.2 AP@0.5:0.95 - 55(R) FPS / 96(V) FPS - 60.1 BFlops
§ width=320 height=320
: 60.0 AP@0.5 | 38.0 AP@0.5:0.95 - 63(R) FPS / 123(V) FPS - 35.5 BFlops
yolov3-tiny-prn.cfg - 18.8 MB: yolov3-tiny-prn.weights
§
width=416 height=416
: 33.1 AP@0.5 - 370(R) FPS - 3.5 BFlops
enet-coco.cfg (EfficientNetB0-Yolov3) - 18.3 MB: enetb0-coco_final.weights
§
width=416 height=416
: 45.5 AP@0.5 - 55(R) FPS - 3.7 BFlops
csresnext50-panet-spp-original-optimal.cfg - 217 MB: csresnext50-panet-spp-original-optimal_final.weights
§
width=608 height=608
: 65.4 AP@0.5 | 43.2 AP@0.5:0.95 - 32(R) FPS - 100.5 BFlops
yolov3-spp.cfg - 240 MB: yolov3-spp.weights
§
width=608 height=608
: 60.6 AP@0.5 - 38(R) FPS - 141.5 BFlops
yolov3.cfg - 236 MB: yolov3.weights
§
width=416 height=416
: 55.3 AP@0.5 - 66(R) FPS - 65.9 BFlops
yolov3-tiny.cfg - 33.7 MB: yolov3-tiny.weights
§
width=416 height=416
: 33.1 AP@0.5 - 345(R) FPS - 5.6 BFlops
可以在如下路径找到所有的cfg文件: darknet/cfg/
需要将训练好的weights
文件放到darknet
根目录下,运行如下指令:
data/train.txt
中图像,并将结果保存在result.json
data/train.txt
中图像,并将结果保存在result.txt
./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -thresh 0.25
./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output /home/jario/Pictures/h1.jpg
./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output test.mp4
./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights test.mp4 -out_filename res.avi
./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights -c 0
./darknet detector demo cfg/coco.data cfg/yolov3-tiny.cfg yolov3-tiny.weights -c 0
./darknet detector demo cfg/coco.data cfg/yolov3-tiny.cfg yolov3-tiny.weights -i 1 test.mp4
./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output -dont_show -out result.json < data/train.txt
./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -dont_show -ext_output < data/train.txt > result.txt
如何训练
如何构建自己的训练数据
下载数据集标注工具,下载地址:(https://pan.baidu.com/s/1EE52cDStjIxsRgM_a9pWQQ) (password: 4b2q) 或者 Spire Web.
数据集管理软件github地址:https://github.com/jario-jin/spire-image-manager
开始训练YOLO
使用YOLOv4和YOLOv3:
1. 针对选择的模型,下载预训练权重:
百度网盘打包下载,链接:https://pan.baidu.com/s/1CNVyyjoph7YVSXGT3vjbfQ,提取码:4usc
o 对于 yolov4.cfg
, yolov4-custom.cfg
(162 MB): yolov4.conv.137
o 对于 csresnext50-panet-spp.cfg
(133 MB): csresnext50-panet-spp.conv.112
o 对于 yolov3.cfg, yolov3-spp.cfg
(154 MB): darknet53.conv.74
o 对于 yolov3-tiny-prn.cfg , yolov3-tiny.cfg
(6 MB): yolov3-tiny.conv.11
o 对于 enet-coco.cfg (EfficientNetB0-Yolov3)
(14 MB): enetb0-coco.conv.132
2. 将cfg/yolov4-custom.cfg
拷贝一份,重命名为yolov4-obj.cfg
(obj
可以是自定义名称)
o 修改batch为batch=64
o 修改subdivisions为subdivisions=16
o 修改max_batches为(类别数量``*2000
,但不要小于4000
),如训练3个类别max_batches=6000
o 修改steps为max_batches的0.8与0.9,如steps=4800,5400
o 修改classes=80
为自定义数据集的类别数量,主要需要修改3处(3个[yolo]
层):
o 修改filters=255
为filters=(classes+5)x3
,在3个[yolo]
层的前一个[convolutional]
层,分别为:
o 如果使用[Gaussian_yolo]
层,修改filters=57
为filters=(classes+9)x3
,在3个[Gaussian_yolo]
层的前一个[convolutional]
层,分别为:
§
o
例如,如果classes=1
,则filters=18
;如果classes=2
,则filters=21
。注意:不要在cfg
文件中直接写: filters=(classes+5)x3)
3. 在darknet/data
路径下创建obj.names
,其中每一行是一个目标类别名称
o 将数据集标注得到的文件Yolo_categories.names
重命名为obj.names
,并放到darknet/data
下
4. 在darknet/data
路径下创建obj.data
:
教程 darknet 路径为 /home/user/darknet
,本文以此为例,请根据自己的路径进行修改。在 /home/user/darknet/cfg/ 文件夹下新建一个文件,名字叫 obj.data 在里面写入:
classes = 1
train = /home/user/darknet/data/coco/Yolo_20180908_234114.txt
valid = /home/user/darknet/data/coco/Yolo_20180908_234114.txt
names = data/obj.names
backup = backup
eval = coco
注意:classes 为类别数量,对于单类检测问题,写 1
5. 将图像文件(.jpg)与标注文件放入到如下路径darknet\data\coco\
路径下
o 将scaled_images
里的图像拷贝到 /home/user/darknet/data/coco/images/train
下
o 将Yolo_labels
里的标注文件拷贝到/home/user/darknet/data/coco/images/train
下
o 将Yolo_20180908_234114.txt
拷贝到/home/user/darknet/data/coco
下
6. 开始训练
o 训练指令:./darknet detector train data/obj.data cfg/yolo-obj.cfg yolov4.conv.137
(对于最新100次迭代的最新权重yolo-obj_last.weights
会保存在darknet\backup\
)
(对于每1000次迭代的权重yolo-obj_xxxx.weights
会保存在darknet\backup\
)
(关闭Loss的显示窗口./darknet detector train data/obj.data cfg/yolo-obj.cfg yolov4.conv.137 -dont_show
)
(通过浏览器查看训练过程./darknet detector train data/obj.data yolo-obj.cfg yolov4.conv.137 -dont_show -mjpeg_port 8090 -map
,然后打开Chrome浏览器,输入http://ip-address:8090
)
(如果需要在训练中计算mAP,每4期计算一次,需要在obj.data
文件中设置valid=valid.txt
,运行:./darknet detector train data/obj.data yolo-obj.cfg yolov4.conv.137 -map
)
7. 训练结束,结果保存在darknet\backup\yolo-obj_final.weights
o 如果训练中断,可以选择一个保存的权重继续训练,使用./darknet detector train data/obj.data yolo-obj.cfg backup\yolo-obj_2000.weights
注意:在训练中,如果avg
(loss)出现nan
,则训练出了问题,如果是其他字段出现nan
,这种情况是正常的。注意:如果需要改变cfg
文件中的width=
或height=
,新的数字需要被32整除。注意:训练完成后,检测指令为:./darknet detector test data/obj.data yolo-obj.cfg yolo-obj_8000.weights
。注意:如果出现Out of memory
,需要修改cfg文件中的subdivisions=16
为32
或64
。
训练YOLOv3-Tiny与选了YOLOv4、YOLOv3基本相同,主要有以下小区别:
1. 下载yolov3-tiny预训练权重,运行命令./darknet partial cfg/yolov3-tiny.cfg yolov3-tiny.weights yolov3-tiny.conv.15 15
2. 新建自定义cfg
文件yolov3-tiny-obj.cfg
(可以复制cfg/yolov3-tiny.cfg
为yolov3-tiny-obj.cfg
)
3. 运行训练命令:./darknet detector train data/obj.data yolov3-tiny-obj.cfg yolov3-tiny.conv.15
1. 首先在1块GPU上训练1000次./darknet detector train cfg/coco.data cfg/yolov4.cfg yolov4.conv.137
2. 停止训练,使用权重darknet/backup/yolov4_1000.weights
,在多块GPU上训练,运行./darknet detector train cfg/coco.data cfg/yolov4.cfg /backup/yolov4_1000.weights -gpus 0,1,2,3
注意:如果出现nan
,应该降低学习率,如4块GPUlearning_rate=0.00065
(learning_rate=0.00261/GPUs),还应该增加cfg文件中的burn_in=
为原先的4x,如burn_in=4000
注意:如果出现如下错误
需要修改源码/home/user/darknet/src/data.c
将如下代码
list *get_paths(char *filename)
{
char *path;
FILE *file = fopen(filename, "r"); if(!file) file_error(filename); list *lines = make_list(); while((path=fgetl(file))) { list_insert(lines, path); } fclose(file); return lines;}
修改为:
void ltrim(char *s)
{
char *p; p = s;
while (*p == ' ' || *p == '\t' || *p == '\r') { p++; } strcpy(s,p);
}
void rtrim(char *s)
{
int i;
i = strlen(s) - 1;
while ((s[i] == ' ' || s[i] == '\t' || s[i] == '\r') && i >= 0 ) { i--; } s[i+1] = '\0';
}
void _trim(char *s)
{
ltrim(s);
rtrim(s);
}
list *get_paths(char
*filename)
{
char *path;
FILE *file = fopen(filename, "r");
if(!file) file_error(filename); list *lines = make_list();
while((path=fgetl(file))) {
_trim(path); list_insert(lines, path);
}
fclose(file); return lines;
} 保存,make -j8
重新编译 下面为正常训练时画面
何时应该停止训练
通常情况下,为每个类别迭代2000次是足够的,且总的迭代次数不能低于4000次。但是如果想要更加精确的停止时间,可以参考以下说明:
1.
在训练过程中,你会看到一系列训练误差,当0.XXXXXXX avg这个参数不再下降时,就该停止训练了
Region Avg IOU: 0.798363, Class: 0.893232,
Obj: 0.700808, No Obj: 0.004567, Avg Recall: 1.000000, count: 8 Region Avg IOU:
0.800677, Class: 0.892181, Obj: 0.701590, No Obj: 0.004574, Avg Recall:
1.000000, count: 8 9002: 0.211667, 0.60730
avg, 0.001000 rate, 3.868000 seconds, 576128 images Loaded: 0.000000
seconds
如果发现0.XXXXXXX avg在很多次迭代后都不再降低,则是时候该停止训练了。最终的平均损失从0.05(对于小模型和简单训练数据)到3.0(对于大模型和复杂训练数据)不等。
2.
当训练停止之后,可以从darknet\backup
中取出最新保存的训练权重.weights
,并选择它们中检测效果最好的
例如,当训练9000次停止后,效果最好的模型可能是之前保存权重中的一个(7000,8000,9000),这是因为过拟合(Overfiting)现象。过拟合的表现可以解释为,在训练图像上检测效果很好,但是在其他图像上效果不佳,这时候就该尽早停止训练(早停点)。
2.1 首先,你需要在obj.data
中指定验证数据集valid=valid.txt
,如果你没有准备验证数据集,可以简单的复制data\train.txt
为data\valid.txt
。
2.2 如果你在迭代9000次之后停止训练,验证之前的模型权重可以使用如下命令:
然后对比每个权重(7000,8000,9000)最后一行输出,选择mAP(mean average precision)最高权重,或者对比IoU(intersect over union)进行选择。
例如,yolo-obj_8000.weights的mAP最高,则使用这个权重。或者在训练时加上-map
参数:
./darknet detector train data/obj.data cfg/yolo-obj.cfg yolov4.conv.137 -map
结果如下图所示,mAP每4期(Epoch)通过obj.data
中设置的验证集valid=valid.txt
上计算一次(1期=train_txt``中图像数量
/ batch
次迭代)。
运行训练好的模型,进行目标检测,执行:
./darknet detector test data/obj.data cfg/yolo-obj.cfg yolo-obj_8000.weights
.cfg
文件中random=1
,可以使用多分辨率输入增加检测效果:link.cfg
文件中增加网络的输入分辨率(设置任意可以被32整除的数字,如,height=608
,width=608
),可以增加精度-show_imgs
参数,能够可视化目标框真值,检查数据集是否出了问题。.txt
文件),越多越好。[yolo]
层或[region]
层中修改参数max=200
或者更高(全局最大目标检测数量为0,0615234375*(width*height)
)。如果想要检测小目标(图像被缩放到416*416后,小于16*16的目标)
§
全模型 - 5个yolo层:https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov3_5l.cfg
§ 小模型 - 3个yolo层:https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov3-tiny_3l.cfg
§ YOLOv4 - 3个yolo层:https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov4-custom.cfg
如果你训练的数据类别需要区分左右目标(如检测左右手,交通信号中的左右方向),则不能使用左右翻转图像增强,在cfg文件中设置flip=0
: https://github.com/AlexeyAB/darknet/blob/3d2d0a7c98dbc8923d9ff705b81ff4f7940ea6ff/cfg/yolov3.cfg#L17
§
train_network_width * train_obj_width / train_image_width ~= detection_network_width * detection_obj_width / detection_image_width
§ train_network_height * train_obj_height / train_image_height ~= detection_network_height * detection_obj_height / detection_image_height
也就是,对于测试数据集中的每个物体,训练数据集中必须至少有一个具有相同类与大约相同相对大小的物体。如果训练数据中仅有占图像面积80-90%的物体,则训练后的网络不能够检测占图像面积1-10%的物体。
如果想加速训练(损失检测精度),可以在cfg文件layer-136中设置参数stopbackward=1
物体的模型、侧面、光照、尺度、方位角
等属性,从神经网络的内部角度来看,这些是不同的物体。因此,你想检测的物体越多,就应该使用越复杂的网络模型。[yolo]
层中增加3个参数:ignore_thresh=.9 iou_normalizer=0.5 iou_loss=giou
,这会增加mAP@0.9,同时降低mAP@0.5。./darknet detector calc_anchors data/obj.data -num_of_clusters 9 -width 416 -height 416
,然后设置cfg文件中3个[yolo]
层9个锚框。同时需要改变每个[yolo]
层中的锚框索引mask=
,第一层有大于60*60的锚框,第二层有大于30*30的锚框,第三层相同。也需要改变每个[yolo]
层之前的filters=(classes + 5)*<number of mask>
。如果许多计算出的锚框不适合在适当的层下 - 那么就尝试使用默认锚框。height=608
,width=608
,或height=832
,width=832
,这样可以检测更小的目标。手机扫一扫
移动阅读更方便
你可能感兴趣的文章