用 YOLO V4训练自己的数据集_yolov4训练自己的数据集

​

一．搭建实验环境

1.下载Anoconda管理相关环境，将pytorch环境搭建在Anoconda上，经过多次实验，由于python用的3.6版本，最终较为兼容的版本是torch1.4.0和torchvision0.5.0

2.安装PyCharm，配置好运行环境

3.Pytorch环境中其他库的安装， scipy==1.2.1
numpy==1.17.0
matplotlib==3.1.2
opencv_python==4.1.2.30
torch==1.2.0
torchvision==0.4.0
tqdm==4.60.0
Pillow==8.2.0
h5py==2.10.0

二. 准备数据集

首先，需要准备一个标注好的数据集。这通常包括图像文件和相应的标注文件，标注文件中记录了图像中目标物体的位置（边界框）和类别。

• 图像文件：可以是常见的图像格式，如JPG、PNG等。
• 标注文件：通常采用VOC格式或YOLO格式。对于VOC格式，每个图像对应一个XML文件，其中包含了物体的边界框坐标和类别信息。对于YOLO格式，标注信息通常直接写在文本文件中，每行代表一个物体，包含类别和边界框坐标。

1. 训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
2. 训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。 ​编辑

三. 数据集的处理 

在完成数据集的摆放之后，我们需要利用voc_annotation.py获得训练用的2007_train.txt和2007_val.txt。   

修改voc_annotation.py里面的参数。第一次训练可以仅修改classes_path，classes_path用于指向检测类别所对应的txt。   

训练自己的数据集时，可以自己建立一个cls_classes.txt，里面写自己所需要区分的类别。

model_data/cls_classes.txt文件内容为：      
```python
cat
dog
...
```
修改voc_annotation.py中的classes_path，使其对应cls_classes.txt，并运行voc_annotation.py。  

如上图所示，打开voc_annotation.py将annotation_mode设置为2，目的是获得训练用2007_train.txt以及2007_val.txt。此文件中的classes_path需要指向检测类别对应的文件，本实验用的VOC数据集，路径为根目录下model_data中voc_classes.txt文件，如果是训练自己建立的数据集，可以在model_data中建立一个新的txt文件并将classes_path指向其路径即可。

​

四.开始训练数据集

打开train.py文件，如下图所示：

文件中的第78行，classes.path需要对应voc_annotation.py中的classes.path，再将预权重文件放入model_data中，设置好后开始训练。

训练多个Epoch后，权值文件会生成到根目录中的logs里

五.训练结果预测

训练结果预测需要先打开根目录下的yolo.py文件设置相关路径，如图所示

训练结果预测需要用到两个文件，分别是yolo.py和predict.py。在yolo.py里面修改model_path以及classes_path。  
model_path指向训练好的权值文件，在logs文件夹里。  
classes_path指向检测类别所对应的txt。**  
完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测。 

输入图片路径结果如下：

六、实验结果与分析

经过多次尝试和优化，我们成功训练了一个针对自定义数据集的YOLOv4目标检测模型。在测试集上，模型取得了较高的精度和召回率，能够满足实际应用需求。同时，我们也对实验结果进行了详细的分析和讨论，总结了模型性能提升的关键因素和进一步优化的方向。