基于yolov4模型训练自己的数据集(附代码和数据集)------《深度学习》_darknet yolov4训练自己的数据

一、yolov4模型介绍：

YOLOv4在保持高检测精度的同时，通过一系列改进实现了更快的检测速度。使用CSPDarknet53作为其主干网络，这是一个在Darknet框架上改进的骨干网络。引入了FPN模块，用于跨层特征融合，以提高检测性能。

1.数据增强和策略改进： YOLOv4采用了一系列新的数据增强技术和策略改进，以提高模型的鲁棒性和泛化能力。

2.Bag of Freebies（BOF）和Bag of Specials（BOS）： YOLOv4使用BOF和BOS方法来进一步改进模型的性能，其中BOF是一系列简单但有效的训练技巧，而BOS是一些特殊设计的模块，如SPP、SAM和PANet等。

3.类别不平衡处理： YOLOv4通过改进损失函数来处理目标类别不平衡的问题，以提高模型对少见类别的检测性能。

二、制作数据集

1.创建一个文件夹。

2.在创建的文件夹内，再创建两个文件夹（ImageSets、JPEGImages），这两个文件夹一个用于存放标注后生成的标注文件，一个用于存放数据集图像。

3.最后再创建一个train文件用于训练。

如图所示：

需注意：yolov4的文件需满足一定的目录格式

三、收集图像

创建完数据集文件夹后，我们需要收集需要检测的数据集图像 ,我们以人为数据集做标记为例，我们需要收集有人的图像。收集途径有很多：

例如参考别人的数据集直接下载：http://segeval.cs.princeton.edu/public/off_format.html

或者自己去百度、小红书找图片截下来

四、标注数据集

使用labelimg标注软件进行标注，可自行去网上寻找下载资源。

圈出要训练的对象并进行重命名，重命名时相同类型的对象命名相同的名字。

五、数据集训练模型

1.下载yolov4官方源代码（我使用的是老师课上的yolov4代码）

 https://github.com/AlexeyAB/darknet yolov4.weight 与 yolov4.conv.137

2.下载pycharm、anaconda，并配置好yolov4运行环境

3. 准备功能：

yolov项目文件与数据集文件放同一目录下

4.python外库环境（absl-py、bigtree、chardet、colorama、contourpy、cycler等）

在运行过程中缺少什么再下载什么更为简便

5.模型训练

通过golov的train.py进行

六、利用模型进行目标检测

先运行voc_annotation.py代码，后续的代码运行都是以这个为载体的。

通过yolov4的predict.py进行

耐心等待300个列车运行完成即可，过程中可以看到每个列车的丢失。

七、总结

yolov4模型的训练过程大概就是这样，通过这次实验我对目标检测算法和深度学习模型有了更深入的理解，尤其是针对YOLOv4这样的前沿模型。通过调整超参数、数据集准备和模型训练等过程，我积累了宝贵的实践经验。在训练过程中可能会遇到各种问题，如收敛速度慢、模型性能不佳等，解决这些问题的过程提升了我的问题解决能力。我了解了YOLOv4在实际场景中的应用。