使用colab训练自己的yolov4模型（以识别装甲板为例）

约定不等于承诺〃 2023-02-25 02:20 4阅读 0赞

## 1、准备工作 ##

首先准备训练用到的文件，放在自己的谷歌云盘  
1、自己的数据集（建议使用压缩包上传，上传的速度和加载速度会快很多）yolo训练使用的是txt格式的标签，里面是目标的坐标值。若已标的标签是xml文件，可以使用此[Python代码][Python]提取对应的坐标信息生成TXT文件。  
2、data文件，names文件  
data文件放置类别数和一些路径，names文件放置类别名  
我的是obj.data和obj.names  
注：这里的backup文件夹放置训练后的权重文件，本来应该将目录放在我的硬盘下以防自动断开文件丢失，但每次生成权重文件时就会报找不到目录，所以只能放在其他目录，为防止自动断开，还是要时常复制一下![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDA4ODE1NA_size_16_color_FFFFFF_t_70]![在这里插入图片描述][2020071010540657.png]  
3、yolov4.weights（测试darknet使用）和yolov4.conv.137（首次训练使用）

## 2、装载yolov4 ##

详细解释可参考另一篇博客（[使用Google Colab装载YOLOv4（免费云端GPU，无需配置任何环境][Google Colab_YOLOv4_GPU]））  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDA4ODE1NA_size_16_color_FFFFFF_t_70 1]  
命令如下：

1、查看GPU

! nvidia-smi

2、从GitHub下载darknet（colab配合GitHub使用，速度非常快）

! git clone https://github.com/AlexeyAB/darknet.git

3、修改Makefile相关参数

! sed -i 's/GPU=0/GPU=1/g' /content/darknet/Makefile
    ! sed -i 's/CUDNN=0/CUDNN=1/g' /content/darknet/Makefile
    ! sed -i 's/OPENCV=0/OPENCV=1/g' /content/darknet/Makefile

4、编译darknet

! cd darknet; make

5、将权重拷贝到content目录（工作的默认根目录）

!cp /content/drive/My\ Drive/xxx/yolov4.weights ./

6、测试是否装载成功

# 检测试一下
    %cd /content/darknet
    !./darknet detect cfg/yolov4.cfg /content/yolov4.weights data/dog.jpg
    # 上述函数写好了，显示一下
    from PIL import Image
    Image.open('/content/darknet/predictions.jpg')

## 3、训练自己的数据集 ##

1、复制相关文件到工作区  
首先自己在content目录下新建data文件夹，在data文件夹下面新建backup文件夹，如图  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDA4ODE1NA_size_16_color_FFFFFF_t_70 2]  
执行命令

%cd /content
    !cp /content/drive/My\ Drive/xxx/yolov4-custom.cfg ./yolov4-custom.cfg
    !cp /content/drive/My\ Drive/xxx/yolov4.conv.137 ./
    !cp /content/drive/My\ Drive/xxx/obj.data ./data/
    !cp /content/drive/My\ Drive/xxx/obj.names ./data/

2、复制数据集并解压缩

!cp /content/drive/My\ Drive/robomaster/train01/armor01.zip ./
    !unzip ./armor01.zip -d data

3、自动生成train.txt文件

%cd /content
    import os
    
    image_files = []
    os.chdir(os.path.join("data", "armor01"))
    for filename in os.listdir(os.getcwd()):
        if filename.endswith(".jpg"):
            image_files.append("/content/data/armor01/" + filename)
    os.chdir("..")
    with open("train.txt", "w") as outfile:
        for image in image_files:
            outfile.write(image)
            outfile.write("\n")
        outfile.close()
    os.chdir("..")

若还需要验证和测试文件，仿照此代码添加即可  
4、开始训练

# train your custom detector
    !./darknet/darknet detector train /content/data/obj.data /content/yolov4-custom.cfg /content/yolov4.conv.137 -dont_show

若训练中途断掉需要在次训练，可以使用之前训练的权重在次训练。

!./darknet/darknet detector train /content/data/obj.data /content/yolov4-custom.cfg /content/drive/My\ Drive/robomaster/train01/backup/yolov4-custom_final.weights  -dont_show

5、训练好了可以测试一下  
首先将cfg文件中的训练值改过来

# 设置配置文件
    %cd /content
    !sed -i 's/batch=64/batch=1/' yolov4-custom.cfg
    !sed -i 's/subdivisions=64/subdivisions=1/' yolov4-custom.cfg

测试（从B站下的视频）

!./darknet/darknet detector demo -out_filename output.mp4 /content/data/obj.data /content/yolov4-custom.cfg /content/drive/My\ Drive/robomaster/train01/backup/yolov4-custom_last.weights /content/drive/My\ Drive/xxx/20200704212932.mp4 -thresh 0.2 -dont_show

![在这里插入图片描述][20200710121625630.gif]

[Python]: https://blog.csdn.net/weixin_44088154/article/details/107248200
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDA4ODE1NA_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20200710105331481.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDA4ODE1NA==,size_16,color_FFFFFF,t_70
[2020071010540657.png]: /images/20230209/4cbfad639e4647d6a7abed5998698682.png
[Google Colab_YOLOv4_GPU]: https://blog.csdn.net/weixin_44088154/article/details/106824312
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDA4ODE1NA_size_16_color_FFFFFF_t_70 1]: /images/20230209/04b0e51b860c40dfaf466ccf06c01203.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDA4ODE1NA_size_16_color_FFFFFF_t_70 2]: /images/20230209/96a73ff476a04c4799721587e3d1350d.png
[20200710121625630.gif]: /images/20230209/af3f78340114471aab8ef920dbf0be2f.png