適用於Windows和Linux的Yolo-v4 使用方法（中文版使用手冊）

原創 qq_41895190 2020-04-29 11:28

 

適用於Windows和Linux的Yolo-v4和Yolo-v3 / v2 ---- （用於對象檢測的神經網絡）-Tensor Core可以在Linux和Windows上使用

Paper Yolo v4：https://arxiv.org/abs/2004.10934

更多詳細信息：http://pjreddie.com/darknet/yolo/

關於pytorch，可加羣857449786 註明（pytorch）

Tensorflow 深度學習實戰羣 755860371 共同學習，謝謝

 

  1. 該存儲庫中的改進
  2. 如何使用
  3. 如何在Linux上編譯
  4. 如何在Windows上編譯
  5. 對MS COCO進行速度和準確性的培訓和評估
  6. 如何使用多GPU進行訓練：
  7. 如何訓練（檢測您的自定義對象）
  8. 如何訓練tiny-yolo（檢測您的自定義對象）
  9. 我什麼時候應該停止訓練
  10. 如何改善物體檢測
  11. 如何標記對象的有界框並創建註釋文件
  12. 如何將Yolo用作DLL和SO庫

How to evaluate AP of YOLOv4 on the MS COCO evaluation server

  1. Download and unzip test-dev2017 dataset from MS COCO server: http://images.cocodataset.org/zips/test2017.zip
  2. Download list of images for Detection taks and replace the paths with yours: https://raw.githubusercontent.com/AlexeyAB/darknet/master/scripts/testdev2017.txt
  3. Download yolov4.weights file: https://drive.google.com/open?id=1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT
  4. Content of the file cfg/coco.data should be
classes= 80
train  = <replace with your path>/trainvalno5k.txt
valid = <replace with your path>/testdev2017.txt
names = data/coco.names
backup = backup
eval=coco
  1. Create /results/ folder near with ./darknet executable file
  2. Run validation: ./darknet detector valid cfg/coco.data cfg/yolov4.cfg yolov4.weights
  3. Rename the file /results/coco_results.json to detections_test-dev2017_yolov4_results.json and compress it to detections_test-dev2017_yolov4_results.zip
  4. Submit file detections_test-dev2017_yolov4_results.zip to the MS COCO evaluation server for the test-dev2019 (bbox)

How to evaluate FPS of YOLOv4 on GPU

  1. Compile Darknet with GPU=1 CUDNN=1 CUDNN_HALF=1 OPENCV=1 in the Makefile (or use the same settings with Cmake)
  2. Download yolov4.weights file 245 MB: yolov4.weights (Google-drive mirror yolov4.weights )
  3. Get any .avi/.mp4 video file (preferably not more than 1920x1080 to avoid bottlenecks in CPU performance)
  4. Run one of two commands and look at the AVG FPS:
  • include video_capturing + NMS + drawing_bboxes: ./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights test.mp4 -dont_show -ext_output
  • exclude video_capturing + NMS + drawing_bboxes: ./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights test.mp4 -benchmark

Pre-trained models

There are weights-file for different cfg-files (trained for MS COCO dataset):

FPS on RTX 2070 (R) and Tesla V100 (V):

單擊我 -Yolo v3型號

單擊我 -Yolo v2型號

放到編譯後：darknet.exe

您可以通過以下路徑獲取cfg文件： darknet/cfg/

要求

其他框架中的Yolo v3

Datasets

  • MS COCO: use ./scripts/get_coco_dataset.sh to get labeled MS COCO detection dataset
  • OpenImages: use python ./scripts/get_openimages_dataset.py for labeling train detection dataset
  • Pascal VOC：python ./scripts/voc_label.py用於標記Train / Test / Val檢測數據集
  • ILSVRC2012（ImageNet分類）：使用./scripts/get_imagenet_train.sh（也imagenet_label.sh用於標記有效集）
  • 用於檢測的德語/比利時/俄羅斯/ LISA / MASTIF交通標誌數據集-使用此解析器：https://github.com/angeligareta/Datasets2Darknet#detection-task
  • 其他數據集列表：https://github.com/AlexeyAB/darknet/tree/master/scripts#datasets

結果示例

Yolo v3

其他：https://www.youtube.com/user/pjreddie/videos

該存儲庫中的改進

  • 增加了對Windows的支持
  • 添加了最新模型：CSP，PRN，EfficientNet
  • 添加的層：[conv_lstm]，[scale_channels] SE / ASFF / BiFPN，[local_avgpool]，[sam]，[Gaussian_yolo]，[reorg3d]（固定的[reorg]），固定的[batchnorm]
  • 添加了訓練循環模型（具有conv-lstm [conv_lstm]/ conv-rnn層[crnn]）以精確檢測視頻的功能
  • 添加了數據擴充：[net] mixup=1 cutmix=1 mosaic=1 blur=1。添加的激活：SWISH，MISH，NORM_CHAN，NORM_CHAN_SOFTMAX
  • 增加了使用CPU-RAM進行GPU處理訓練的能力，以增加mini_batch_size和準確性（而非批處理規範同步）
  • 如果使用此XNOR-net模型訓練自己的權重（位1推斷），則在CPU和GPU上的二進制神經網絡性能將提高2到4倍的檢測速度：https://github.com/AlexeyAB/darknet/blob/master /cfg/yolov3-tiny_xnor.cfg
  • 通過將2層融合到1個卷積+批範數中，將神經網絡性能提高了7％左右
  • 改進的性能：如果在或中定義了Tensor Core，則在GPU Volta / Turing（Tesla V100，GeForce RTX等）上檢測2倍，CUDNN_HALFMakefiledarknet.sln
  • 改進了FullHD的性能約1.2倍，4K的性能約2倍，使用darknet detector demo... 可以檢測視頻（文件/流）
  • 性能提高了3.5倍的數據增強進行訓練（使用OpenCV SSE / AVX功能而不是手寫功能）-消除了在多GPU或GPU Volta上進行訓練的瓶頸
  • 使用AVX改進了對Intel CPU的檢測和訓練性能（Yolo v3?85 ％）
  • 在調整網絡大小時優化內存分配 random=1
  • 優化的GPU初始化以進行檢測-我們最初使用batch = 1，而不是使用batch = 1重新初始化
  • 使用命令添加了正確的mAP，F1，IoU，Precision-Recall計算darknet detector map...
  • -map在訓練過程中添加了平均損耗和準確度mAP（標誌）圖表
  • ./darknet detector demo ... -json_port 8070 -mjpeg_port 8090作爲JSON和MJPEG服務器運行，以使用軟件或Web瀏覽器通過網絡在線獲取結果
  • 增加了訓練錨的計算
  • 添加了檢測和跟蹤對象的示例：https://github.com/AlexeyAB/darknet/blob/master/src/yolo_console_dll.cpp
  • 如果使用了不正確的cfg文件或數據集，則爲運行時提示和警告
  • 許多其他代碼修復...

並添加了手冊- 如何訓練Yolo v4-v2（以檢測您的自定義對象）

另外，您可能對使用簡化的存儲庫感興趣，該存儲庫中已實現INT8量化（+ 30％的加速和-1％的mAP降低）：https://github.com/AlexeyAB/yolo2_light

如何在命令行上使用

在Linux上，請使用./darknet代替darknet.exe，例如：./darknet detector test ./cfg/coco.data ./cfg/yolov4.cfg ./yolov4.weights

在Linux上./darknet，在根目錄中找到可執行文件，而在Windows上，在目錄中找到可執行文件。\build\darknet\x64

  • Yolo v4 COCO- 圖片：darknet.exe detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -thresh 0.25
  • 輸出對象的座標：darknet.exe detector test cfg/coco.data yolov4.cfg yolov4.weights -ext_output dog.jpg
  • Yolo v4 COCO- 視頻：darknet.exe detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output test.mp4
  • Yolo v4 COCO- WebCam 0：darknet.exe detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights -c 0
  • 用於網絡攝像機的 Yolo v4 COCO-智能網絡攝像頭：darknet.exe detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights http://192.168.0.80:8080/video?dummy=param.mjpg
  • Yolo v4-保存結果視頻文件res.avi：darknet.exe detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights test.mp4 -out_filename res.avi
  • Yolo v3 Tiny COCO-視頻：darknet.exe detector demo cfg/coco.data cfg/yolov3-tiny.cfg yolov3-tiny.weights test.mp4
  • JSON和MJPEG服務器，允許來自您的軟件瀏覽器或Web瀏覽器ip-address:8070和8090的多個連接：./darknet detector demo ./cfg/coco.data ./cfg/yolov3.cfg ./yolov3.weights test50.mp4 -json_port 8070 -mjpeg_port 8090 -ext_output
  • GPU＃1上的 Yolo v3 Tiny ：darknet.exe detector demo cfg/coco.data cfg/yolov3-tiny.cfg yolov3-tiny.weights -i 1 test.mp4
  • 替代方法Yolo v3 COCO-圖片： darknet.exe detect cfg/yolov4.cfg yolov4.weights -i 0 -thresh 0.25
  • 在Amazon EC2上進行訓練，以使用URL來查看mAP和丟失圖表，例如：http://ec2-35-160-228-91.us-west-2.compute.amazonaws.com:8090在Chrome / Firefox中（Darknet應該使用OpenCV進行編譯）： ./darknet detector train cfg/coco.data yolov4.cfg yolov4.conv.137 -dont_show -mjpeg_port 8090 -map
  • 186 MB Yolo9000-圖片： darknet.exe detector test cfg/combine9k.data cfg/yolo9000.cfg yolo9000.weights
  • 如果使用cpp api構建應用程序，請記住將data / 9k.tree和data / coco9k.map放在應用程序的同一文件夾下
  • 要處理圖像列表data/train.txt並將檢測結果保存到result.json文件中，請使用： darknet.exe detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output -dont_show -out result.json < data/train.txt
  • 處理圖像列表data/train.txt並保存檢測結果以result.txt供使用：
    darknet.exe detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -dont_show -ext_output < data/train.txt > result.txt
  • 僞標記-處理圖像列表data/new_train.txt並將檢測結果以Yolo訓練格式保存爲每個圖像作爲標籤<image_name>.txt（通過這種方式，您可以增加訓練數據量）使用： darknet.exe detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -thresh 0.25 -dont_show -save_labels < data/new_train.txt
  • 要計算錨點： darknet.exe detector calc_anchors data/obj.data -num_of_clusters 9 -width 416 -height 416
  • 要檢查準確性mAP @ IoU = 50： darknet.exe detector map data/obj.data yolo-obj.cfg backup\yolo-obj_7000.weights
  • 要檢查準確性mAP @ IoU = 75： darknet.exe detector map data/obj.data yolo-obj.cfg backup\yolo-obj_7000.weights -iou_thresh 0.75

用於在任何Android智能手機上使用網絡攝像機mjpeg-stream

  1. 下載Android手機mjpeg-stream soft：IP網絡攝像頭/ Smart WebCam

  2. 通過WiFi（通過WiFi路由器）或USB將Android手機連接到計算機

  3. 在手機上啓動Smart WebCam

  4. 替換下面的地址，在電話應用程序（Smart WebCam）中顯示並啓動：

  • Yolo v4 COCO模型： darknet.exe detector demo data/coco.data yolov4.cfg yolov4.weights http://192.168.0.80:8080/video?dummy=param.mjpg -i 0

如何在Linux上編譯（使用cmake）

該CMakeLists.txt將嘗試查找已安裝的可選依賴像CUDA，cudnn，ZED與那些身材。它還將創建一個共享對象庫文件以darknet用於代碼開發。

在克隆的存儲庫中執行以下操作：

mkdir build-release
cd build-release
cmake ..
make
make install

如何在Linux上編譯（使用make）

只需make在darknet目錄中即可。在製作之前，您可以在Makefile：鏈接中設置此類選項。

  • GPU=1使用CUDA進行構建以通過使用GPU加速（CUDA應該在中/usr/local/cuda）
  • CUDNN=1使用cuDNN v5-v7進行構建，以通過使用GPU加速培訓（cuDNN應該在中/usr/local/cudnn）
  • CUDNN_HALF=1 爲Tensor Core構建（在Titan V / Tesla V100 / DGX-2及更高版本上）加速檢測3倍，訓練2倍
  • OPENCV=1 使用OpenCV 4.x / 3.x / 2.4.x進行構建-允許檢測來自網絡攝像機或網絡攝像機的視頻文件和視頻流
  • DEBUG=1 調試Yolo版本
  • OPENMP=1 使用OpenMP支持進行構建以通過使用多核CPU來加速Yolo
  • LIBSO=1生成一個庫darknet.so和uselib使用該庫的二進制可運行文件。或者，您也可以嘗試運行，LD_LIBRARY_PATH=./:$LD_LIBRARY_PATH ./uselib test.mp4如何從自己的代碼中使用此SO庫-您可以查看C ++示例：https://github.com/AlexeyAB/darknet/blob/master/src/yolo_console_dll.cpp 或在這樣的方式：LD_LIBRARY_PATH=./:$LD_LIBRARY_PATH ./uselib data/coco.names cfg/yolov4.cfg yolov4.weights test.mp4
  • ZED_CAMERA=1 構建具有ZED-3D攝像機支持的庫（應安裝ZED SDK），然後運行 LD_LIBRARY_PATH=./:$LD_LIBRARY_PATH ./uselib data/coco.names cfg/yolov4.cfg yolov4.weights zed_camera

要在Linux上運行Darknet，請使用本文提供的示例，只需使用./darknet代替darknet.exe，即使用以下命令：./darknet detector test ./cfg/coco.data ./cfg/yolov4.cfg ./yolov4.weights

如何在Windows上進行編譯（使用CMake-GUI）

如果您已經安裝了Visual Studio 2015/2017/2019，CUDA> 10.0，cuDNN> 7.0和OpenCV> 2.4，則這是在Windows上構建Darknet的推薦方法。

使用CMake-GUI如下所示這個IMAGE：

  1. 配置
  2. 發電機的可選平臺（設置：x64）
  3. 完
  4. 生成
  5. 公開項目
  6. 設置：x64和發行版
  7. 建立
  8. 建立解決方案

如何在Windows上進行編譯（使用vcpkg）

如果您已經安裝了Visual Studio 2015/2017/2019，CUDA> 10.0，cuDNN> 7.0，OpenCV> 2.4，則要編譯Darknet，建議使用 CMake-GUI。

否則，請按照下列步驟操作：

  1. 將Visual Studio安裝或更新到至少2017版，並確保已對其進行全面修補（如果不確定是否自動更新到最新版本，請再次運行安裝程序）。如果需要從頭開始安裝，請從此處下載VS：Visual Studio社區

  2. 安裝CUDA和cuDNN

  3. 安裝git和cmake。確保它們至少在當前帳戶的路徑上

  4. 安裝vcpkg並嘗試安裝測試庫以確保一切正常，例如vcpkg install opengl

  5. 定義環境變量，VCPKG_ROOT指向的安裝路徑vcpkg

  6. 用名稱VCPKG_DEFAULT_TRIPLET和值定義另一個環境變量x64-windows

  7. 打開Powershell並鍵入以下命令：

PS \ >                   cd $ env： VCPKG_ROOT 
PS代碼\ vcpkg >          。\ vcpkg install pthreads opencv [ ffmpeg ] ＃如果您要使用cuda加速的openCV，請替換爲opencv [cuda，ffmpeg]
  1. 打開Powershell，轉到darknet文件夾並使用命令進行構建.\build.ps1。如果要使用Visual Studio，將在構建後找到由CMake爲您創建的兩個自定義解決方案，一個在中build_win_debug，另一個在中build_win_release，其中包含系統的所有適當配置標誌。

如何在Windows上編譯（舊版方式）

C:\opencv_3.0\opencv\build\x64\vc14\lib;$(CUDA_PATH)\lib\$(PlatformName);$(CUDNN)\lib\x64;%(AdditionalLibraryDirectories)

..\..\3rdparty\lib\x64\pthreadVC2.lib;cublas.lib;curand.lib;cudart.lib;cudnn.lib;%(AdditionalDependencies)

OPENCV;_TIMESPEC_DEFINED;_CRT_SECURE_NO_WARNINGS;_CRT_RAND_S;WIN32;NDEBUG;_CONSOLE;_LIB;%(PreprocessorDefinitions)

如何使用多GPU進行訓練：

僅對於小型數據集，有時對於4個GPU集learning_rate = 0.00025（例如，learning_rate = 0.001 / GPU）而言，降低學習率更好。在這種情況下burn_in =，請max_batches =在您的cfg文件中增加4倍的時間。即使用burn_in = 4000代替1000。steps=如果policy=steps設置相同。

https://groups.google.com/d/msg/darknet/NbJqonJBTSY/Te5PfIpuCAAJ

如何訓練（檢測您的自定義對象）：

（培養老YOLO V2 yolov2-voc.cfg，yolov2-tiny-voc.cfg，yolo-voc.cfg，yolo-voc.2.0.cfg，... 通過鏈接點擊）

培訓Yolo v4（和v3）：

因此，如果classes=1應該filters=18。如果classes=2再寫filters=21。

（不要寫在cfg文件中：filters =（classs + 5）x3）

（通常filters取決於classes，coords和的數量mask，即filters = (classes + coords + 1)*<number of mask>，其中mask是錨的索引。如果mask不存在，則filters = (classes + coords + 1)*num）

因此，例如，對於2個對象，您的文件yolo-obj.cfg應該yolov4-custom.cfg在3個 [yolo]層的每一層中均不同於以下行：

[convolutional]
filters=21

[region]
classes=2 
classes= 2
train  = data/train.txt
valid  = data/test.txt
names = data/obj.names
backup = backup/

它將.txt爲.jpg同一目錄中具有相同名稱但具有.txt-extension的每個-image-file- 創建一個-file ，並將其放置到文件中：該圖像上的對象編號和對象座標，用於新行中的每個對象：

<object-class> <x_center> <y_center> <width> <height>

哪裏：

例如，將爲img1.jpg您創建img1.txt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 
data/obj/img1.jpg
data/obj/img2.jpg
data/obj/img3.jpg

8.1。對於每4個紀元（設置valid=valid.txt或train.txt在obj.data文件中）使用mAP（平均平均精度）計算進行訓練並運行：darknet.exe detector train data/obj.data yolo-obj.cfg yolov4.conv.137 -map

注意：如果在訓練過程中看到nan“ avg（損失）”字段的值-則訓練有誤，但如果出現nan在其他行中-則訓練進行得很好。

注意：如果您在cfg文件中更改了width =或height =，則新的寬度和高度必須被32整除。

注意：訓練後，請使用以下命令進行檢測：darknet.exe detector test data/obj.data yolo-obj.cfg yolo-obj_8000.weights

注意：如果Out of memory發生錯誤，.cfg則應在-file中增加subdivisions=1632或64：鏈接

如何訓練tiny-yolo（檢測您的自定義對象）：

執行與上述完整yolo模型相同的所有步驟。除了：

  1. 如果您具有CUDA 10.0，cuDNN 7.4和OpenCV 3.x（路徑：C:\opencv_3.0\opencv\build\include＆C:\opencv_3.0\opencv\build\x64\vc14\lib），則打開build\darknet\darknet.sln，設置x64並釋放 https://hsto.org/webt/uh/fk/-e/uhfk-eb0q-hwd9hsxhrikbokd6u.jpeg並執行以下操作：構建->構建darknet。還要添加Windows系統變量CUDNN以及CUDNN的路徑：https://developer.nvidia.com/rdp/cudnn-archive

  2. 添加CUDNN具有CUDNN路徑的Windows系統變量：https://devblogs.nvidia.com/parallelforall/wp-content/uploads/ 2015/01 / VS2013-R-5.jpg

  3. 添加到項目：
    • 所有.c檔案
    • 所有.cu檔案
    • 文件http_stream.cpp從\src目錄
    • 文件darknet.h從\include目錄
  4. （右鍵單擊項目）->屬性->鏈接器->常規->其他庫目錄，放在這裏：
    • （右鍵單擊項目）->屬性->鏈接器->輸入->其他依賴項，放在這裏：
    • （右鍵單擊項目）->屬性-> C / C ++->預處理程序->預處理程序定義

    • 編譯爲.exe（X64＆Release）並將.dll-s與.exe放在附近：https://hsto.org/webt/uh/fk/-e/uhfk-eb0q-hwd9hsxhrikbokd6u.jpeg

      • pthreadVC2.dll, pthreadGC2.dll 來自\ 3rdparty \ dll \ x64

      • cusolver64_91.dll, curand64_91.dll, cudart64_91.dll, cublas64_91.dll -91（對於CUDA 9.1或您的版本），來自C：\ Program Files \ NVIDIA GPU Computing Toolkit \ CUDA \ v9.1 \ bin

      • 對於OpenCV的3.2：opencv_world320.dll與opencv_ffmpeg320_64.dll從C:\opencv_3.0\opencv\build\x64\vc14\bin

      • 對於OpenCV的2.4.13： opencv_core2413.dll，opencv_highgui2413.dll並opencv_ffmpeg2413_64.dll從 C:\opencv_2.4.13\opencv\build\x64\vc14\bin

    1. 首先在1個GPU上進行約1000次迭代的訓練： darknet.exe detector train cfg/coco.data cfg/yolov4.cfg yolov4.conv.137

    2. 然後停止並通過使用部分訓練的模型/backup/yolov4_1000.weights運行訓練來進行multigpu（最多4個GPU）：darknet.exe detector train cfg/coco.data cfg/yolov4.cfg /backup/yolov4_1000.weights -gpus 0,1,2,3

    1. 要進行培訓，請cfg/yolov4-custom.cfg下載預訓練的權重文件（162 MB）：yolov4.conv.137（Google驅動器鏡像yolov4.conv.137）

    2. 創建yolo-obj.cfg內容與中相同的文件yolov4-custom.cfg（或複製yolov4-custom.cfg到yolo-obj.cfg)和：

    1. obj.names在目錄中創建文件build\darknet\x64\data\，並帶有對象名稱-每個都在新行中

    2. obj.data在目錄中創建文件build\darknet\x64\data\，其中包含（其中class =對象數）：

    1. 將對象的圖像文件（.jpg）放在目錄中 build\darknet\x64\data\obj\

    2. 您應該在數據集中的圖像上標記每個對象。使用此可視化GUI軟件來標記對象的邊界框併爲Yolo v2和v3生成註釋文件：https://github.com/AlexeyAB/Yolo_mark

    • <object-class>-從0到的整數對象編號(classes-1)
    • <x_center> <y_center> <width> <height>-浮動值相對於圖片的寬度和高度，可以等於(0.0 to 1.0]
    • 例如：<x> = <absolute_x> / <image_width>或<height> = <absolute_height> / <image_height>
    • 注意：<x_center> <y_center>-矩形的中心（不是左上角）
    1. train.txt在directory中創建文件build\darknet\x64\data\，其中包含圖像的文件名，每個文件名都換行，並具有相對於的路徑darknet.exe，例如，包含：

    1. 下載卷積層的預訓練權重並放置到目錄中 build\darknet\x64

    2. 使用命令行開始培訓： darknet.exe detector train data/obj.data yolo-obj.cfg yolov4.conv.137

      要在Linux上訓練，請使用以下命令：（./darknet detector train data/obj.data yolo-obj.cfg yolov4.conv.137僅使用./darknet代替darknet.exe）

      • （文件每100次迭代yolo-obj_last.weights將保存到中build\darknet\x64\backup\）
      • （文件每1000次迭代yolo-obj_xxxx.weights將保存到中build\darknet\x64\backup\）
      • （darknet.exe detector train data/obj.data yolo-obj.cfg yolov4.conv.137 -dont_show如果您在沒有監視器的計算機（如雲Amazon EC2）上進行訓練，則可以禁用Loss-Window的使用）
      • （要在沒有GUI的遠程服務器上進行培訓時查看mAP和失誤表，請使用命令，darknet.exe detector train data/obj.data yolo-obj.cfg yolov4.conv.137 -dont_show -mjpeg_port 8090 -map然後http://ip-address:8090在Chrome / Firefox瀏覽器中打開URL ）
    1. 訓練完成後- yolo-obj_final.weights從路徑中獲取結果build\darknet\x64\backup\

    • 每進行100次迭代後，您可以停止，然後從這一點開始訓練。例如，經過2000次迭代後，您可以停止訓練，之後再開始使用以下方法開始訓練：darknet.exe detector train data/obj.data yolo-obj.cfg backup\yolo-obj_2000.weights

      （在原始存儲庫https://github.com/pjreddie/darknet中，權重文件每1萬次迭代僅保存一次if(iterations > 1000)）

    • 同樣，您可以比所有45000次迭代更早地獲得結果。

    • 下載yolov3-tiny的默認權重文件：https://github.com/AlexeyAB/darknet/blob/master/build/ darknet / x64 / partial.cmd 如果您創建的定製模型不基於其他模型，則可以在不預先訓練權重的情況下對其進行訓練，然後將使用隨機初始權重。

       

      我什麼時候應該停止訓練：

      通常，每個類（對象）需要進行2000次迭代，但總計不少於4000次迭代。但是對於何時停止訓練的更精確定義，請使用以下手冊：

      1. 在訓練期間，您會看到各種錯誤指示，並且當不再減少0.XXXXXXX avg時，您應該停止操作：

      區域平均IOU：0.798363，類：0.893232，對象：0.700808，無對象：0.004567，平均調用率：1.000000，計數：8區域平均IOU：0.800677，類：0.892181，對象：0.701590，無對象：0.004574，平均調用率：1.000000 ，數：8

      9002：0.211667，0.60730 平均，0.001000速率，3.868000秒，576128圖像加載：0.000000秒

      • 9002-迭代編號（批處理數量）
      • 0.60730平均 -平均損失（錯誤）- 越低越好

      當您發現平均損失0.xxxxxx平均不再在許多次迭代中減少時，您應該停止訓練。最終平均損失可能從0.05（對於小模型和簡單數據集）到3.0（對於大模型和困難數據集）。

      1. 訓練停止後，您應該.weights從中提取一些最後的文件，darknet\build\darknet\x64\backup並從中選擇最好的文件：

      例如，您在9000次迭代後停止了訓練，但最佳結果可以給出以前的權重之一（7000、8000、9000）。可能由於過度擬合而發生。過度擬合 -這種情況是您可以從訓練數據集中檢測圖像上的對象，但無法檢測其他圖像上的對象。您應該從Early Stopping Point獲得權重：

      過度擬合

      要從早期停止點獲取權重：

      2.1。首先，obj.data您必須在文件中指定驗證數據集的路徑valid = valid.txt（格式valid.txt爲中的train.txt），如果您沒有驗證圖片，則只需複製data\train.txt到即可data\valid.txt。

      2.2如果在9000次迭代後停止訓練，要驗證以前的權重，請使用以下命令：

      （如果您使用另一個GitHub存儲庫，請使用darknet.exe detector recall...而不是darknet.exe detector map...）

      • darknet.exe detector map data/obj.data yolo-obj.cfg backup\yolo-obj_7000.weights
      • darknet.exe detector map data/obj.data yolo-obj.cfg backup\yolo-obj_8000.weights
      • darknet.exe detector map data/obj.data yolo-obj.cfg backup\yolo-obj_9000.weights

      每個權重（7000、8000、9000）的comapre最後輸出線：

      選擇具有最高mAP（平均平均精度）或IoU（與聯合相交）的權重文件

      例如，較大的mAP會賦予權重yolo-obj_8000.weights-然後使用此權重進行檢測。

      或者只是用-map國旗訓練：

      darknet.exe detector train data/obj.data yolo-obj.cfg yolov4.conv.137 -map

      因此，您將在“損失圖”窗口中看到“ mAP圖”（紅線）。將使用valid=valid.txt文件中指定的obj.data文件（1 Epoch = images_in_train_txt / batch迭代）爲每個4個時期計算mAP

      （將3類的最大x軸值更改max_batches=爲2000*classes-fe max_batches=6000）

      loss_chart_map_chart

      自定義對象檢測的示例： darknet.exe detector test data/obj.data yolo-obj.cfg yolo-obj_8000.weights

      • IoU（聯合上方的相交）-物體聯合上方的平均insectect和檢測到的某個閾值= 0.24

      • mAP（平均平均精度）- average precisions每個類別的average precision平均值，其中是同一類別的每個可能閾值（每個檢測概率）的PR曲線上11點的平均值（以PascalVOC表示的Precision-Recall，其中Precision = TP /（TP + FP）和Recall = TP /（TP + FN）），第11頁：http://homepages.inf.ed.ac.uk/ckiw/postscript/ijcv_voc09.pdf

      mAP是PascalVOC競賽中默認的精度指標，與MS COCO競賽中的AP50指標相同。在Wiki方面，指標Precision和Recall的含義與PascalVOC競賽中的含義略有不同，但是IoU 始終具有相同的含義。

      precision_recall_iou

      自定義對象檢測：

      自定義對象檢測的示例： darknet.exe detector test data/obj.data yolo-obj.cfg yolo-obj_8000.weights

      如何改善物體檢測：

      1. 訓練前：

      • random=1在.cfg-file文件中設置標誌-通過訓練Yolo不同的分辨率，它將提高精度：鏈接

      • 提高您的網絡分辨率.cfg-file（ height=608，width=608或32任何價值倍數） -它會增加精度

      • 檢查您要檢測的每個對象是否在數據集中被強制標記-數據集中的任何對象都不應沒有標籤。在大多數培訓問題中-數據集中有錯誤的標籤（通過使用某些轉換腳本，使用第三方工具標記的標籤來獲得標籤，...）。始終使用以下方法檢查數據集：https://github.com/AlexeyAB/Yolo_mark

      • 我的損失非常高，而mAP卻很低，訓練錯了嗎？ -show_imgs在training命令的末尾運行帶有flag的訓練，您是否看到正確的有界對象框（在Windows或文件中aug_...jpg）？如果否-您的訓練數據集有誤。

      • 對於您要檢測的每個對象-訓練數據集中必須至少有一個相似的對象，且它們具有大致相同的形狀：形狀，對象的側面，相對大小，旋轉角度，傾斜度，照明度。希望訓練數據集包含不同對象的圖像：比例，旋轉，照明，不同側面，不同背景的圖像-每個班級或以上，您最好擁有2000張不同的圖像，並且您應訓練2000*classes迭代或更多次

      • 希望您的訓練數據集包含帶有您不想檢測的未標記對象的圖像-無邊界框的負樣本（空.txt文件）-使用與帶有對象的圖像一樣多的負樣本圖像

      • 標記對象的最佳方法是：僅標記對象的可見部分，或標記對象的可見和重疊部分，或標記比整個對象多一點（有一點間隙）？隨心所欲標記-您希望如何檢測它。

      • 要在每個圖像中使用大量對象進行訓練，請在cfg文件max=200的最後[yolo]一層或最後一層中添加參數或更高的值[region]（YoloV3可以檢測到的全局最大對象數0,0615234375*(width*height)是寬度和高度是[net]cfg文件中部分的參數）

      • 用於訓練小對象（將圖像調整爲416x416後小於16x16）-設置layers = 23爲https://github.com/AlexeyAB/darknet/blob/6f718c257815a984253346bba8fb7aa756c55090/cfg/yolov4.cfg#L895 設置stride=4爲https：// /github.com/AlexeyAB/darknet/blob/6f718c257815a984253346bba8fb7aa756c55090/cfg/yolov4.cfg#L892 並設置stride=4爲https://github.com/AlexeyAB/darknet/blob/6f718c257815a984253346bba8fb7aa756c55090/cfg/yolov4。

      • 對於小型和大型對象的訓練，請使用修改後的模型：

        • 完整模型：5個yolo層：https://github.com /AlexeyAB/darknet/blob/3d2d0a7c98dbc8923d9ff705b81ff4f7940ea6ff/cfg/yolov3.cfg#L17

           

        • 一般規則-您的訓練數據集應包括一組要檢測的相對大小的對象：

          • 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

          即，對於Test數據集中的每個對象，Training數據集中必須至少有1個對象具有相同的class_id和大約相同的相對大小：

          object width in percent from Training dataset ?= object width in percent from Test dataset

          也就是說，如果訓練集中僅存在佔圖像80-90％的對象，則受訓練的網絡將無法檢測到佔圖像1-10％的對象。

        • 加快訓練速度（降低檢測精度）stopbackward=1在cfg文件中爲第136層設置參數

        • 每個：model of object, side, illimination, scale, each 30 grad轉角和傾斜角- 從神經網絡的內部角度來看，它們是不同的對象。因此，要檢測的對象越不同，應使用越複雜的網絡模型。

        • 爲了使檢測到的邊界框更準確，您可以ignore_thresh = .9 iou_normalizer=0.5 iou_loss=giou在每個[yolo]圖層上添加3個參數並進行訓練，它將增加[email protected]，但減少[email protected]。

        • 僅當您是神經檢測網絡專家時-才爲cfg文件width和height從cfg文件重新計算數據集的錨點： darknet.exe detector calc_anchors data/obj.data -num_of_clusters 9 -width 416 -height 416 然後在cfg文件anchors的3 [yolo]層中的每一箇中設置相同的9 。但是，您應該masks=爲每個[yolo]層更改錨點的索引，以使第一[yolo]層的錨點大於60x60，第二個層大於30x30，剩下的第三個層。同樣，您應該filters=(classes + 5)*<number of mask>在每個[yolo]層之前更改。如果許多計算出的錨不適合在適當的圖層下-則只需嘗試使用所有默認錨即可。

        1. 訓練後-用於檢測：

        • 通過在.cfg-file（height=608和width=608）或（height=832和width=832）或（32的任何值）中設置來提高網絡分辨率-這可以提高精度並可以檢測小對象：link

          • 無需再次訓練網絡，只需使用.weights已針對416x416分辨率進行訓練的-file
          • 但是要獲得更高的精度，您應該使用更高分辨率的608x608或832x832進行訓練，請注意：如果Out of memory發生錯誤，.cfg則應在-file文件中增加subdivisions=16，32或64：鏈接

        如何標記對象的邊界框並創建註釋文件：

        在這裏，您可以找到帶有GUI軟件的存儲庫，用於標記對象的有界框併爲Yolo v2-v4生成註釋文件：https://github.com/AlexeyAB/Yolo_mark

        與示例的：train.txt，obj.names，obj.data，yolo-obj.cfg，air1-6 .txt，bird1-4 .txt爲2類的對象（空氣，鳥）和train_obj.cmd與實施例如何培養這個圖像組具有YOLO V2 - V4

        在圖像中標記對象的不同工具：

        1. 在C ++中：https://github.com/AlexeyAB/Yolo_mark
        2. 在Python中：https://github.com/tzutalin/labelImg
        3. 在Python中：https://github.com/Cartucho/OpenLabeling
        4. 在C ++中：https://www.ccoderun.ca/darkmark/
        5. 在JavaScript中：https://github.com/opencv/cvat

        使用Yolo9000

        同時檢測和分類9000個對象： darknet.exe detector test cfg/combine9k.data cfg/yolo9000.cfg yolo9000.weights data/dog.jpg

        1. 要將Yolo編譯爲C ++ DLL文件yolo_cpp_dll.dll-打開解決方案build\darknet\yolo_cpp_dll.sln，設置x64和Release，然後執行以下操作：Build-> Build yolo_cpp_dll

          • 您應該已經安裝了CUDA 10.0
          • 要使用cuDNN，請執行以下操作：（右鍵單擊項目）->屬性-> C / C ++->預處理程序->預處理程序定義，然後在行的開頭添加： CUDNN;

        2. 要將Yolo用作C ++控制檯應用程序中的DLL文件，請打開解決方案build\darknet\yolo_console_dll.sln，設置x64和Release，然後執行以下操作：構建->構建yolo_console_dll

          • 您可以build\darknet\x64\yolo_console_dll.exe 使用以下命令從Windows資源管理器運行控制檯應用程序：yolo_console_dll.exe data/coco.names yolov4.cfg yolov4.weights test.mp4

          • 啓動控制檯應用程序並輸入圖像文件名後，您將看到每個對象的信息： <obj_id> <left_x> <top_y> <width> <height> <probability>

          • 要使用簡單的OpenCV-GUI，您應該//#define OPENCV在yolo_console_dll.cpp-file：鏈接中取消註釋行

          • 您可以在視頻文件上看到用於檢測的簡單示例的源代碼：鏈接

        yolo_cpp_dll.dll-API：鏈接

        struct bbox_t {
    unsigned int x, y, w, h;    // (x,y) - top-left corner, (w, h) - width & height of bounded box
    float prob;                    // confidence - probability that the object was found correctly
    unsigned int obj_id;        // class of object - from range [0, classes-1]
    unsigned int track_id;        // tracking id for video (0 - untracked, 1 - inf - tracked object)
    unsigned int frames_counter;// counter of frames on which the object was detected
};

class Detector {
public:
        Detector(std::string cfg_filename, std::string weight_filename, int gpu_id = 0);
        ~Detector();

        std::vector<bbox_t> detect(std::string image_filename, float thresh = 0.2, bool use_mean = false);
        std::vector<bbox_t> detect(image_t img, float thresh = 0.2, bool use_mean = false);
        static image_t load_image(std::string image_filename);
        static void free_image(image_t m);

#ifdef OPENCV
        std::vector<bbox_t> detect(cv::Mat mat, float thresh = 0.2, bool use_mean = false);
	std::shared_ptr<image_t> mat_to_image_resize(cv::Mat mat) const;
#endif
};

關於pytorch，可加羣857449786 註明（pytorch）

Tensorflow 深度學習實戰羣 755860371 共同學習，謝謝

 

 
發表評論
所有評論
還沒有人評論，想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章

微信整改地方號；阿里高層大地震；工信部下架違規 App；百度入局元宇宙；Android 遊戲將登陸 Windows；TIOBE 發佈 12 月榜單｜架構週報

{"type":"doc","content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"typ

辛晓亮 2021-12-13 11:54:42

CentOS7下配置Nginx

背景 最近倒騰服務器的時候，選擇了CentOS7操作系統，在安裝配置Nginx的時候遇到了Permission Denied問題。按照chown和chmod進行配置無果，後來定位到SELinux問題。 SELinux是什麼？ When yo

原創 2024-02-07 13:55:28

常用Linux命令、包括vi 、svn

PS: http://man.linuxde.net/vi /etc/init.d/network restart //=========================================== 更新腳本 cd /www/scr

Ocean_K 2023-08-15 21:24:17

Linux環境下的主流技術部署（基於Docker容器）

搞了臺阿里雲服務器，準備學習下基於Docker容器的各種主流技術部署，那麼讓我們愉快的開始吧！      Docker環境安裝 安裝yum-utils：yum install -y yum-utils device-mapper-pe

原創 2023-02-25 00:27:07

BPF 和 Go: Linux 中的現代內省形式

{"type":"doc","content":[{"type":"blockquote","content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null

Marko Kevac 2021-12-20 11:08:55

10 款你不知道的 Linux 環境下的替代工具！

{"type":"doc","content":[{"type":"blockquote","content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null

JackTian 2021-12-11 15:33:58

2022年，Rust 將成爲 Linux 內核第二官方語言？

{"type":"doc","content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"typ

闫园园 2021-12-10 14:33:55

Linux 年度報告發布：2021 預計虧損300w，重點關注開源硬件

{"type":"doc","content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"typ

王一鹏 2021-12-09 15:38:57

Android C++系列：Linux線程（一）概念

{"type":"doc","content":[{"type":"heading","attrs":{"align":null,"level":2},"content":[{"type":"text","text":"1. 什麼是線程",

轻口味 2021-12-08 11:33:58

在Linux系統發行版（以CentOS7爲例）上部署ElasticSearch集羣並啓動Kibana和Logstash

{"type":"doc","content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"typ

为自己带盐 2021-12-07 10:29:04

2021 專業人士 Linux 系統 TOP 5

{"type":"doc","content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"typ

辛晓亮 2021-12-06 10:13:57

微軟在Edge不斷作死：疑似阻止用戶下載谷歌；Linux 之父怒噴桌面版 Linux；滴滴出行美股退市靴子落地...傳阿里員工福利再升級，或全面試行靈活辦公...

{"type":"doc","content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"typ

闫园园 2021-12-06 10:03:56

Android C++系列：Linux信號（三）

{"type":"doc","content":[{"type":"heading","attrs":{"align":null,"level":2},"content":[{"type":"text","text":"可重入函數","at

轻口味 2021-12-03 18:19:01

curl 作者怒噴蘋果，我不當工具人； 國美通報批評摸魚員工，網友急了；Windows 11 恢復藍屏死機，熟悉的味道回來了

{"type":"doc","content":[{"type":"blockquote","content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null

辛晓亮 2021-11-21 11:03:51

“殺死”CentOS ，替代品 Rocky Linux 8.5 發佈

{"type":"doc","content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"typ

闫园园 2021-11-20 20:43:53