论文题目：YOLOv4： Optimal Speed and Accuracy of Object Detection
文献地址：https://arxiv.org/pdf/2004.10934.pdf
源码地址：https://github.com/AlexeyAB/darknet
今天，使用YOLOv4对无人机进行目标检测，将自己的训练过程记录下来，总的来说，和之前Darknet的YOLOv3版本的操作完全相同。
环境
Ubuntu 16.04
Python： 3.6.4
OPENCV：3.4.0
CUDA： 10.0
GPU： RTX2080Ti
首先下载代码：
1 git clone https://github.com/AlexeyAB/darknet.git
由于都是AlexeyAB大神的杰作，在使用上与YOLOv3使用过程几乎相同，因此，使用起来较为熟悉。
1. 编译make
如果硬件设备包含GPU加速，需要对makefile文件进行修改，修改后如下图所示。
然后在终端进行编译：
1 # cd到darknet文件夹下： 2 make # 或make -j8
2. 下载开源权重，并测试：
yolov4.weights: https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights
yolov4.conv.137: https://drive.google.com/open?id=1JKF-bdIklxOOVy-2Cr5qdvjgGpmGfcbp
使用与训练的权重进行测试：
1 ./darknet detect cfg/yolov4.cfg yolov4.weights data/dog.jpg
3. 训练自己的数据集
构建与YOLOv3相同的数据文件夹（此处仍以YOLOv3的方式构建）：
先按照上面的格式准备好数据。其中：
- Anontations用于存放标签xml文件
- JPEGImage用于存放图像
- ImageSets内的Main文件夹用于存放生成的图片名字，例如：
4. 准备YOLOv4需要的label和txt
首先，从路径为"/home/vtstar/yolov4/darknet/scripts"下的voc_label.py复制到项目根目录下（darknet），并对其内容进行修改。
其中，#后为注释掉的为原先的，未被注释掉的是修改后的，sets中为年份(VOC后的数字，例如VOC2007中的2007)和包含的数据集(Main文件夹中划分数据集的txt的种类)，classes中填写标注文件中包含的待识别物体的类别标签。
由于是将voc_label.py复制到项目的根目录下，所以不需要对相关文件的路径进行修改。
执行voc_label.py，在根目录下将会生成训练需要的文件，即各个训练集中包含图像的路径。
5. 修改配置文件
这里同yolov3的使用是一致的，需要修改的配置文件包含三个部分：
-
cfg目录下：
-
voc.data / coco.data (二选一即可，本篇使用voc.data)
- 存放相关文件的路径：
-
- 类别的数量
- 训练过程中训练数据和验证数据的txt文件（voc_label.py生成的）
- 类别标签名称
- 存放权重的路径
-
yolov4-custom.cfg
-
yolov4训练参数和相关网络结构的修改：
-
输入图像大小和训练测试阶段中batch的数量和划分次数；
- 图像的大小可以是32的倍数。
-
-
-
训练代数；
- github中给出了max_batches的基本设置方法，2000 × classes。当然，设置的大一些也是可以的，只不过后期基本上在某一值附近震荡
- 值得注意的是，steps的设置是max_batches × 80% 和 max_batches × 90%/。
-
网络结构；
-
根据待测目标类别的数量更改YOLO层(3个)和YOLO层前一层的卷积层（3个）
- 包含YOLO前一层卷积层的卷积核个数：（classes + 5）*3
- YOLO层的类别数classes。
- 锚框（可选，kmeans聚类）
-
-
data目录下：
- voc.names / coco.names (二选一即可， 多个类别隔行输入即可，本篇修改voc.names)
6. 开始训练
训练指令（与yolov3依旧相同）：
1 ./darknet detector train cfg/voc.data cfg/yolov4-custom.cfg yolov4.conv.137 -gpus 0
在训练过程中，与之前yolov3不同的是yolov4在训练过程中会弹出训练过程中的loss的实时图像，如下图所示，会动态的显示每一代的损失，当前代数和预计剩余时间。
对于下图，值得一提的是起初loss在图像上看到的是平的，并不是意味着损失不下降，只是loss相对与18.0而言都太大了，在固定坐标的图像上难以显示，因此可视化的是平的。
7. 预测
预测指令：
1 ./darknet detector test cfg/voc.data cfg/yolov4-custom.cfg yolov4-custom_xxxx.weights
然后在提示的Enter Path中输入待测图像的路径。如下图所示。
或者直接在预测指令后添加图像的路径。
这是单张图像的测试方式。
总的来说，和之前yolov3的操作完全相同，可以很好的迁移！