yolov4——训练自己的数据集(完整版)
2020-06-06 05:47
357 查看
好了,多的也不说,直接开始吧!
1.下载预训练的好权重文件 yolov4.conv.137,放在build/darknet/x64/下
2.创建配置文件:在darknet-master/cfg/下,创建yolo-obj_fre.cfg:
这个文件里面的内容跟cfg/yolov4-custom.cfg类似,只是有几个地方需要修改
1) batch=8 #依据你电脑的显存大小而定,尽量设大一点 2) subdivisions=64 # 这里最好设为64,不然训练的时候会报错 3) max_batches=8000 #classes*2000 4) steps=6400,7200 #max_batches*0.8,max_batches*0.9 5) 修改3个[yolo]下classes=4 #你要训练的类别数 6) 修改3个[yolo]上面filters=27 #filters=(classes + 5)x3,注意只修改每个[yolo]上面最后一个conv的filters
3.在build\darknet\x64\data\下,创建fre.names文件,其中每一行写上一个你要训练的一个类别,eg:
apple bickly cell bag
4.在build\darknet\x64\data\下,创建fre.data文件:
classes= 4 train = build/darknet/x64/data/train.txt # 这个下面说,train.txt里面存放着训练图片的存放路径 valid = build/darknet/x64/data/test.txt # names = build/darknet/x64/data/fre.names # 步骤3创建的fre.names backup = backup/
注:下面步骤5,6均用代码完成
5.为每一张训练图片创建一个.txt文件。 例如 img1.jpg,那么你就创建img1.txt,这个文件里面包含:
1 0.716797 0.395833 0.216406 0.147222 0 0.687109 0.379167 0.255469 0.158333 1 0.420312 0.395833 0.140625 0.166667
注意,这个创建的img1.txt与训练图片img1.jpg在同一个文件夹里,eg:build/darknet/x64/data/obj
class_id、x_center 、y_center、width、height
注意上面的x_center y_center width height的数值都是相对图片的尺度而言的,即:
x_center = x / image_width
y_center = y / image_height
width = gt_width / image_width
height = gt_height / image_height
那么问题来了,如何将labelimg的标签(xml文件)转换为yolov4的标签格式,我们通过代码来实现,但是先不急,先把步骤6讲完,再用代码一起实现步骤5、6。
6.在build/darknet/x64/data/下,创建train.txt文件,里面保存训练图片文件的路径:
data/obj/img1.jpg data/obj/img2.jpg data/obj/img3.jpg
好了,下面奉上代码:xml_to_txt.py
# -*- coding: utf-8 -*- # ——author—— = “调得一手好参” # Email : 928343544@qq.com # time : 2020.5.12 # function: 将xml文件转为yolo的标签 import os import argparse import xml.etree.ElementTree as ET import glob def xml_to_txt(data_path,anno_path,path,use_difficult_bbox=False): classes = ['am','fm','gsm','qpsk'] image_inds = file_name(data_path+"train_label/") #遍历xml文件 with open(anno_path, 'a') as f: for image_ind in image_inds: img_txt = data_path + 'obj/'+ image_ind + '.txt' img_txt_file = open(img_txt, 'w') image_path = os.path.join(data_path, 'obj/', image_ind + '.jpg') label_path = os.path.join(data_path, 'train_label', image_ind +'.xml') root = ET.parse(label_path).getroot() objects_size = root.findall('size') image_width = int(objects_size[0].find('width').text) image_height = int(objects_size[0].find('height').text) objects = root.findall('object') for obj in objects: difficult = obj.find('difficult').text.strip() if (not use_difficult_bbox) and(int(difficult) == 1): continue bbox = obj.find('bndbox') class_ind = str(classes.index(obj.find('name').text.lower().strip())) xmin = int(bbox.find('xmin').text.strip()) xmax = int(bbox.find('xmax').text.strip()) ymin = int(bbox.find('ymin').text.strip()) ymax = int(bbox.find('ymax').text.strip()) x_center = str((xmin + xmax)/(2*image_width)) y_center = str((ymin + ymax)/(2*image_height)) width_ = str((xmax - xmin)/(image_width)) height_ = str((ymax - ymin)/(image_height)) class_ind += ' ' + ','.join([x_center+' '+y_center+' '+width_+' '+height_]) img_txt_file.write(class_ind + "\n") f.write(image_path + "\n") def file_name(file_dir): L = [] for root, dirs, files in os.walk(file_dir): for file in files: if os.path.splitext(file)[1] == '.xml': L.append(file.split(".")[0]) return L if __name__ == '__main__': num1 = xml_to_txt('./build/darknet/x64/data/','./build/darknet/x64/data/train.txt','train') # num2 = convert_voc_annotation('./data/', './data/test.txt', False) print('done')
快速使用代码:
1)将xml_to_txt.py放在darknet-master目录下
2)将xml文件放在 ./build/darknet/x64/data/train_label
3)将训练图片文件放在 ./build/darknet/x64/data/obj
4)运行代码
在./build/darknet/x64/data/下生成 train.txt文件
在./build/darknet/x64/data/obj/ 下生成 img.txt
7. 训练:(linux)
./darknet detector train build/darknet/x64/data/fre.data cfg/yolo-obj_fre.cfg build/darknet/x64/yolov4.conv.137
windows下只需要将上面的./darknet改为darknet.exe
相关文章推荐
- YOLO-v4训练自己的数据集
- 深度学习(三) YOLOv2训练自己的数据集
- Yolo V2训练自己数据集
- 每一步超详细!制作自己的voc数据集并通过yolov3训练
- 【YOLO】数据集处理训练自己的数据集
- YOLO训练自己数据集配置文件修改.md
- yolov1_tensorflow 训练自己的数据集
- YOLO基础教程(四):yolo v3 训练自己的数据集
- YOLO模型训练自己数据-VOC格式数据集制作-ubuntu c++文件夹内图片批量读取与重命名
- 制作自己的yolo2数据集进行训练
- 使用yolov2训练自己的数据集
- 目标检测2-训练自己数据集(完整版)
- tiny-yolo 训练自己的数据集
- YOLO训练自己的数据集-Darknet
- 用YOLOv2训练自己的数据集
- YOLOv3 ubuntu 配置及训练自己的VOC格式数据集
- Yolov1训练自己的数据集(20191013)
- Train YOLOv2 on my own dataset(使用YOLOv2训练自己的数据集)
- yolo训练自己的数据集
- 【Darknet】【yolo v2】训练自己数据集的一些心得----VOC格式