文章目录

• 开源算法选择
• win10下搭建darknet环境
• 模型训练
• • 数据增强
  • 修改cfg文件
  • 标注
  • 数据集整理
  • 训练

开源算法选择

darknet源码github地址

win10下搭建darknet环境

注：每一步比如cuda、cudnn安装环境变量配置等等网上都有详细讲解，如果是完全零基础开始可以结合我的步骤与网上每一步的讲解，或者留言我看到后会尽快回复

1. 下载visual studio 2017 community（只安装C++和windows SDK即可，大概需要15个G空间）注：先下载vs2017再下载cuda和cudnn
   旧版本vs2017官方下载地址

2. 下载cuda11.1 （11.1自动配置环境变量，其他版本看情况添加）
   注：如果之前下载过cuda可以考虑卸载重新安装，使用程序与功能将所有cuda相关的nvdia产品卸载干净

3. 下载cudnn8.0.5（将bin include lib\x64相应文件拷贝至cuda目录）
   cudnn下载地址
   

4. 验证cuda和cudnn安装成功

   1. cmd内输入nvcc -V查看cuda是否安装成功
   2. 1.cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\extras\demo_suite 后运行deviceQuery.exe和bandwidthTest.exe
      

5. 下载CMake >= 3.18
   cmake官方下载地址
   cmd内输入cmake --version查看是否安装成功

6. 下载opencv >= 2.4
   opencv官方下载地址
   添加环境变量如下后重启生效
   

7. 下载darknet源码

git clone https://github/AlexeyAB/darknet.git

8. 打开darknet中makefile文件 修改对应参数并保存
9. 打开darknet.vcxproj文件，将cuda版本改为自己的版本号（共两处）
10. 使用vs2017打开darknet.sln文件，vs2017会弹出：
    
    直接点确定即可
11. 右边栏配置darknet头文件，如opencv等（网上教程很多）
12. Vs2017上方调成release x64
    
    右侧侧边栏配置头文件，右键项目点击属性
    
    首先选择VC++目录中的包含目录和库目录
    
    
    
    点击链接器 → 输入 → 附加依赖项
    添加opencv\build\x64\vc14\lib目录下的opencv_worldXXXX.lib，带d的是debug文件，我们是release模式所以选择不带d的，我的是opencv_world3413.lib，不同版本的opencv后面数字不一样
    
    最后右键项目点击生成即可
    在x64目录下可找到darknet.exe
    
13. 依次按上面方法编译yolo_cpp_dll.sln文件和yolo_console_dll.sln文件（顺序不能错）
14. 网络顺利生成，进入darknet源码中build\darknet\x64目录下打开cmd，运行命令：

darknet.exe detector test data/coco.data cfg/yolov4.cfg backup/yolov4.weights

（yolov4.weight去上方给出的github链接darknet源码下载）
15. 输入图片路径person.jpg看到如下预测图即搭建成功

模型训练

数据增强

1. 先对数据集重命名为自然数排列
   

2. 水平或竖直方向进行平移
   

3. 图片缩放
   通过opencv的resize函数
   

4. 图片翻转（垂直、左右、180度）
   

5. 任意旋转
   

6. 平移剪裁
   

7. 高斯噪声
   

8. 色彩增强
   （1）亮度
   
   (2)清晰度
   

修改cfg文件

cfg文件参数意义可参考：参考帖子

1. 在x64\cfg目录下找到yolov4-custom.cfg复制一份到该目录下重命名为：yolo-obj.cfg，使用vscode打开yolo-obj.cfg文件
2. 修改cfg文件中batch=64
3. Subdivisions=16,32,64（训练时显示out of memory则调大，需要是32的倍数）
4. Max_batches=classes * 2000（三个目标6000，五个目标10000，最低不低于6000）
5. Steps=80% * max_batches, 90% * max_batches
6. Width，height416 * 416或者618 * 618（32的倍数，越大精确度越高，训练时长越长）
7. Ctrl + F打开搜索工具输入yolo共三处，将class=调为自己的目标类数
8. 修改yolo层上最近的convolutional层的filter参数：filter=（class+5）* 3
   （如果class=1，filter=18，class=2，filter=21）

标注

使用LabelImg
下载地址：labelImg下载地址

压缩包解压后双击labelImg.exe即可打开，GUI界面后命令行窗口可忽略

左边功能栏annotion默认格式为pascalVOC，即xml格式，本人训练基于darknet的yoloV4，故再次点击切换至YOLO格式，即txt格式

数据集整理

1. 在x64\data目录下创建obj文件夹，将数据集放入
2. 在x64\data目录下创建pru.names（可根据自己需要修改XXX.names
3. 在x64\data目录下创建pru.data
   
   其中classes问训练目标类数，train和valid问训练集和验证集的路径，names为步骤1里创建的XXX.names文件，backup照写即可
4. 在对应路径下创建train.txt和valid.txt文件
5. 按照一定比例将数据集生成训练集和验证集，本人设置为0.75和0.25
   
   注：训练集和验证集格式为绝对路径，不然会出错
   
   
6. 生成后将txt文件放入obj文件夹中
   

训练

1. 下载权重文件（本人训练yolov4-custom.cfg，下载yolov4.conv.137）
2. 在x64目录下打开cmd，使用指令开始训练：

Darknet.exe detector train data\pru.data cfg\yolov4-pru.cfg yolov4.conv.137

3. 训练过程中loss可视化
   
   训练结束后会给出多个weights文件，在x64目录下打开cmd使用指令：

Darknet.exe detector map data\pru.data cfg\yolov4-pru.cfg backup\yolov4-pru_XXXX.weights

map指令使用的是之前XXX.data文件中指定的验证集路径（同样需要为绝对路径）

选择mAP（mean average precision）或者IOU最高的权重文件作为最终使用的就行了