由于项目原因，需要自己用yolo网络训练自己的网络，适逢端午，遂欲出一期简单的教学。

重要的资源和说明

Yolo v4, v3 and v2 for Windows and Linux

本教程基于AlexeyAB的darknet方案进行，该教程叙述详尽，只要跟着该教程走应该都能做出来。本文仅列举一些比较常见的错误。

建议教程就使用上述链接，其余链接版本过旧，不保证成功。

windows搭建darknet并运行yolov4

配置环境是非常繁琐的，可以看这个视频作为参考。

开始

1、自制数据集

笔者使用 LabelImg 软件进行配置。

使用方法/技巧：

• 首先打开data下的predefined_classes.txt，并往里面写入你需要分的类别
• Open Dir 打开需要标记的图片路径
• Change Save Dir 打开 label.txt 的存放路径（label.txt 就是标记数据，包括种类和位置）
• 按w开始画框，选择Advanced Mode可以不用按w就能画框，更加快速
• 标记时可以重叠，哪怕完全包含也可以。（比如标记汽车时也把车旁的人也标记进去了，这没关系）
• 记得Change save format，默认是PascalVOC，要改成YOLO
• 如果不能打开该软件，考虑直接在下载目录处解压使用，不要解压后再复制到其他地方使用。

2、配置环境

配置环境根据视频和GitHub教程进行。

教程章节：Requirements for Windows, Linux and macOS

注意点：

• 安装CUDA需要和本机显卡匹配，笔者自定义安装CUDA结束后，安装的文件夹被删除，推测原因是：安装的目标路径和一开始给定的缓存路径是同一路径。但是笔者没有去验证这种可能性，用了标准安装方法，也能正常运行。
• 安装CUDNN需要和CUDA匹配，CUDNN下载需要注册，得自己找资源
• 安装Opencv，具体版本根据GitHub要求
• 据说要先安装visual studio，再安装CUDNN才不会出错

3、通过CMake编译

这一步会得到我们后面要使用的 darknet.exe。照着视频和Github教程来即可。

教程章节：How to compile on Windows (using CMake)

注意点：

• 使用CMake编译时，容易报错：opencv ... has no binaries compatible with your configuration

  解决方法：在CMake的路径中把OpenCV_DIR修改为build/x64/vc15/lib，环境变量那里也改成这个

• 在Visual Studio里生成解决方案（build）时，因为代码给的工程使用的CUDA一般而言和我们电脑支持的CUDA版本不一样，因此还需要对工程的有关部份进行修改，详情看视频

4、训练

这一步比较简单，看着GitHub教程即可。

教程章节：How to train (to detect your custom objects)

注意点：

• 需要自己进行修改的（教程没说，但是要根据自己网络调参）：anchor、learning rate等超参数

• 教程里将label和image都放入obj文件夹中，执行训练命令，可能会出现Can‘t open label file(This can be normal only if you use MSCOCO)的报错。

  解决方法：在确保train.txt和valid.txt都指向无误后，重新确认一下是不是所有图片都有对应的label（特别是报错的那几个图片），笔者因为标注时漏了两张而出现该错误。

• 若出现Error:Opencv ... in load_data_detection()，则说明是train.txt和valid.txt中的路径错误，很可能是最后一个\没有打（文件夹到文件那一层）。

• 若添加验证集（即有不同于train.txt的valid.txt），则验证集的选取要均匀，因为我们的数据集一般都是相邻好几个图片所拍摄的内容相近，因此如果验证集不连续，则训练和验证效果都不好（相当于没学的要考，学了的没考）。

• 教程中训练的命令为：darknet.exe detector train data/obj.data yolo-obj.cfg yolov4.conv.137 -map，其中map是同时画出mAP的图像，如果要训练自己的网络，则不需要添加权重文件（即所示命令中的yolov4.conv.137），因为网络结构可能是不一样的，别人训练好的参数虽然可能可以加快你的网络收敛，但是网络都不一样也法用啊。

• 当loss几乎不再下降，mAP基本不变，recall接近1时，即可退出训练。

• 测试网络时的命令是：darknet.exe detector test data/obj.data yolo-obj.cfg backup\last.weights，可以添加参数：阈值，从而改变测试效果，即darknet.exe detector test data/obj.data yolo-obj.cfg backup\last.weights -thresh 0.5。

• x64\data 下的labels文件夹不要改动，它是存放字符图片的，和我们数据集中的label不是一回事。如果删掉了，那么你的yolo将不会有文字标识物品的类别。

笔者认为本章最难的地方在于路径的修改和匹配，网上还有很多配置数据集路径的方法，比如将图片和标签存到VOC2022下的JPEGImage和labels等文件夹。这些方法笔者没测试过，不过笔者能肯定，按照教程的方法是可以完成的，只要把常见的错误Can‘t open label file(This can be normal only if you use MSCOCO)解决就好。

另外，教程中的技术上的细节这里并没有展开，那些细节能够帮助你更快的理解网络。

5、测试效果

这里就放几张图好了，嘻嘻。

赏

今晚加餐！

微信