目标检测实战(二)：YoloV4-Tiny训练、测试、评估完整步骤

Yolov4-Tiny讲解

https://www.bilibili.com/video/BV18h411d7by?p=4

Yolov4-Tiny-backbone

Github-代码下载

https://github.com/bubbliiiing/yolov4-tiny-pytorch

数据集下载

这里用的数据集是VOC2007或者2012
官网下载地址：https://pjreddie.com/projects/pascal-voc-dataset-mirror/

下载好了之后。目录为下图

数据集处理

找到voc_annotation.py文件，修改对应的数据集路径

训练后生成只有2007_train.txt有东西，我们训练的时候只需要这个文件，所以其它的无关紧要，然后就可以开始训练了。

训练网络

从github下载下来之后就可以先修改训练类别的路径(和数据集所需要的类别保持一致，如果有自己的数据集，就按照VOC格式生成，并载入自己的类别名就好了)，然后就可以运行train.py了。

其它的就没有什么可以改的了，如果环境配置也没问题的话，其实最主要就是pytorch的环境，其它的看需要pip install就好了。然后开始训练

预测网络

这里包括三种预测的方式：1.测试图片 2.测试视频 3.测试摄像头 4.测试图片的fps，修改yolo.py里的这两个位置，一个是你训练好的模型，一个是你的类别文件，然后，打开predict.py，选择你想要预测的方式，就可以开始预测。

我训练50次之后的结果(没有加预训练模型)
测试图片：

评估网络

这里用Map来进行评估，map就是所有类的AP50-95的平均值，50指的是iou=0.5,95指的是iou=0.95，iou指的是预测框和真实框的交并比。越大说明预测结果越准确。

1.找到

2.修改16,17行，分别是VOC2007中所有sml文件的路径和你想要保存结果的路径(建议别放在你原来的VOC数据集中)

3.如果你想要拥有测试集就将trainval_percent的值修改为0.9，这样里面所有的图片就会有1%生成为测试集
4.然后开始运行voc2yolo4.py，就可以看到生成下面的4个txt文档

5.找到get_gt_txt.py然后修改image_ids所对应的路径，也就是上面我们得到的test.txt。

运行后就可以生成下面这个文件夹a，里面的每个结果是类别+坐标位置

6.生成检测结果的文件夹，为了和原始框做对比，通过get_dr_txt.py,需要注意以下地方。

• 36行：将confidence设置为0.01，因为后面计算map是要通过iou进行筛选的，所以这里应该设置得低一些
• 117行：测试的test.txt需要和生成ground_truth的测试文件保持一致
• 127行：修改成对应的JPEGImage文件的路径

运行结果如下：

7.直接运行get_map.py就可以得到所有的值得map，以及各类的ap指标。

这是没有进行预训练的mAP，如果进行了预训练应该能提升接近一倍。