该模型使用的是YoloV4,Darknet代码地址为: https://github.com/AlexeyAB/darknet.git

基础知识:

Yolo中输出图像的计算方法:

1
output = (input-filter_size+2*padding)/(stride)+ 1

yolo层的前一层filter计算方法:

1
filters = (classes + 5) * 预测框的个数

预测框的个数也就是我们的分类的种类,特征融合一般操作:

  • Route from previous layer
  • Conv it for 1~ times
  • Do upsample
  • Route from the corresponding layer with same size of feature map
  • Continue

当训练集制作好了后,就可以使用Draknet训练自己的数据集了,简单来说,步骤如下:

  • 下载预训练权重yolov4.conv.137,放到darknet目录下,该预训练权重下载地址:https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.conv.137

  • 进入darknet/cfg目录下,复制yolov4-custom.cfg,名字改为yolov4-cat.cfg,并打开该文件,进行下面的6处修改:

    1. yolov4-cat.cfg文件第1-7行如下:

      1
      2
      3
      4
      5
      6
      7
      [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:

      1
      2
      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19类,因此max_batches = 38000;

    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=18,并将classes前面最近的filters修改为72,计算由来(classes+5)*3=72;

    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;

  • 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;

  • 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19。

    1
    2
    3
    4
    5
    classes= 19
    train = /Users/fcbai/Downloads/yolov4-pytorch/data/train.txt
    valid = /Users/fcbai/Downloads/yolov4-pytorch/data/val.txt
    names = /Users/fcbai/Downloads/darknet/data/vanke_coco_classes.txt
    backup = backup/
  • 进入darknet目录下,右键点击Open in Terminal,并输入以下指令:

    1
    ./darknet detector train cfg/cat.data cfg/yolov4-cat.cfg yolov4.conv.137
  • 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。

  • 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。测试命令为:

    1
    ./darknet detect cfg/yolov4-cat.cfg backup/yolov4-cat_final.weights data/cat_10.jpg
  • 训练时我们可以再开一个终端,通过nvidia-smi命令来查看cuda和显存的使用情况。

但是在训练过程中,我碰到了如下问题:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
[yolo] params: iou loss: ciou (4), iou_norm: 0.07, obj_norm: 1.00, cls_norm: 1.00, delta_norm: 1.00, scale_x_y: 1.05
nms_kind: greedynms (1), beta = 0.600000
Total BFLOPS 127.512
avg_outputs = 1051267
Loading weights from yolov4.conv.137...
seen 64, trained: 0 K-images (0 Kilo-batches_64)
Done! Loaded 137 layers from weights-file
Learning Rate: 0.001, Momentum: 0.949, Decay: 0.0005
Detection layer: 139 - type = 28
Detection layer: 150 - type = 28
Detection layer: 161 - type = 28
Resizing, random_coef = 1.40

896 x 896
Create 64 permanent cpu-threads

mosaic=1 - compile Darknet with OpenCV for using mosaic=1

mosaic=1 - compile Darknet with OpenCV for using mosaic=1

从日志来说感觉看不出来是错误,等于程序终止,我猜想很可能是因为我在Makefile文件里面的opencv=0没有改成opencv=1的原因,但是,要解决这个问题,不仅仅是将0改成1这么简单的操作,还需要配置opencv,而且我在服务器上跑模型,也不需要图形界面,所以我先在Makefile里面查找有没有mosaic=1这行,很可惜,没有,然后我在训练要用的obj.cfg这个文件里面查找,果然,有这一行,如下:

1
2
3
4
5
6
7
8
9
10
11
12
#cutmix=1
mosaic=1

#:104x104 54:52x52 85:26x26 104:13x13 for 416

[convolutional]
batch_normalize=1
filters=32
size=3
stride=1
pad=1
activation=mish

然后就将这里得1改成0了再去训练模型,没问题了,正常训练。


扫码手机观看或分享: