用Yolov4训练数据并实现数据结果_yolov4 训练结果

一、Yolov4算法的用途和意义

        YOLOv4是一种目标检测算法，是YOLO(You Only Look Once)系列的最新版本，由Alexey Bochkovskiy、Chien-Yao Wang和Hong-Yuan Mark Liao共同提出。相比于之前的版本，YOL _Ov4在速度和精度方面都有了显著的提升。

（理解可能不够片面和完全，可以到相关网站查询更加详细的数据。）

二、环境的配置

实现yolov4，还需要配置好环境才行，不然代码就不能正常运行，其中需要用到的软件就是pycharm（个人建议用社区版就好，不建议用专业版），还要正确选择需要的Python环境解释器。

1、 第一步先点击setting，进入里面

2、第二步就是点击python interpreter，最后就是选择右边正确的环境解释器就配置好当前环境了.

三、实现Yolov4所需的一些库

安装这些库，需要看自己的环境是否兼容一些版本，有时候不兼容就会运行出错。

如果有requirments，可以提前就去看实现yolov4所需要安装的库，这样子实现代码和运行代码也省力了很多，也就不需要在运行代码的时候忙着安装一些库了。

 四、数据集的准备

1、这个实验的数据集是使用了VOC格式进行训练的，并且在对数据集训练前需要自己准备好需要的检测数据。我所准备的类是一些动物（蛇，老鼠，兔子，牛等等），准备了一共200张图片，20个类。

五、数据集的处理

将自己准备好的类放在coco_classes.txt文本中，并且后面运行其中的代码时需要80个类，也需要在voc_classes文本中归类好。

1、接下来第一步就是对数据集训练前将标注好的图片以xml的格式放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。

2、第二步就是把未标注好的图片以jpg的格式VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。这两个文件同时放到VOCdevkit（也就是自己创建的文件）文件里，并且这两个文件都要放在Yolov4 根目录里面。

经过上面步骤的操作，数据集的处理就基本上完成了。

六、代码的参数修改

程序代码：voc_annotation.py

1、程序用途：整合图片文件路径和与之对应的xml文件信息，并且按照代码中的程序划分的训练集、验证集、测试集。

2、参数修改与设置：在voc_annotation.py中，由于是第一次对数据集进行训练，需要修改的数据就是classes_path。

其中classes_path路径中的voc_classes就是对应我自己训练的txt类，即：

程序代码：train.py

1、程序用途：识别和训练类，计算损失率。

2、参数修改：在train.py中，需要修改的参数为classes_path对应自己voc_classes中的类。

程序代码：predict.py

1、程序用途：对图片进行测试。

2、参数修改：修改fps_image_path中的路径，修改成自己未标记中JEPG.jpg的路径下的图片。

七、修改参数后的训练结果图

（一）voc_annotation.py结果图

得到的结果图就是自己准备的类。

（二）train.py结果图

（三）yolo.py结果图

（四）predict.py结果图

predict.py图片测试：

这一次是利用yolov4训练自己准备好的数据集和一些动物类，但是测试和训练的还不够全面，也还不够熟练，往能够继续进步。