darknet版本yolov4模型训练与测试

import os
import random

train_percent = 0.8
xmlfilepath = 'Annotations'
txtsavepath = 'ImageSets'
total_xml = os.listdir(xmlfilepath)

num = len(total_xml)
list = range(num)
tr = int(num * train_percent)
#trainval = random.sample(list, tv)
train = random.sample(list, tr)

if not os.path.exists('ImageSets/'):
    os.makedirs('ImageSets/')

ftest = open('ImageSets/test.txt', 'w')
ftrain = open('ImageSets/train.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '
'
    if i in train:
         ftrain.write(name)
    else:
        ftest.write(name)

ftrain.close()
ftest.close()

6 将VOC文件格式转为yolo文件格式

运行xml2txt.py文件，在当前目录生成tp_train.txt和tp_test.txt文件，里面存放训练和测试图像的绝对路径。且在labels文件夹下生成xml转txt格式的文件。

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
sets=[ 'train', 'test']  #替换为自己的数据集
classes = ["person", "car", "cyclist"]     #修改为自己的类别
#classes = ["eye", "nose"]

def convert(size, box):
    dw = 1./(size[0])
    dh = 1./(size[1])
    x = (box[0] + box[1])/2.0 - 1
    y = (box[2] + box[3])/2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x*dw
    w = w*dw
    y = y*dh
    h = h*dh
    return (x,y,w,h)
def convert_annotation(image_id):
    in_file = open('Annotations/%s.xml'%image_id)  #将数据集放于当前目录下
    out_file = open('labels/%s.txt'%image_id, 'w')
    tree=ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)
    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult)==1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
        bb = convert((w,h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '
')


wd = getcwd()#获取当前目录
train_images_dir = os.path.join(wd, 'JPEGImages/')

for image_set in sets:
    if not os.path.exists('labels/'):
        os.makedirs('labels/')
    image_ids = open('ImageSets/%s.txt'%image_set).read().strip().split()
    list_file = open('%s_%s.txt'%("tp", image_set), 'w') #reate new file store image path
    for image_id in image_ids:
        list_file.write(train_images_dir+'%s.jpg
'%image_id)
        convert_annotation(image_id)
    list_file.close()

7 训练

7.1 修改配置文件yolov4.cfg

复制cfg/yolov4-custom.cfg，并且重命名为yolo-obj.cfg，同时修改一下内容

上图中修改width和height为416，修改最大batch迭代多少个数max_batches = 6000，修改steps多久学习率下降一次，一般设置为batch个数的80%和90%。 然后三个classes的地方和三个filters=255的地方要修改成自己的。

7.2 编辑adas.data 和 adas.names文件

（1）adas.data

classes ：训练集类别总数

train:训练集路径

valid:验证集路径

names: adas.names 文件

backup: 备份文件夹，训练后的权重信息或者断点保存信息在此文件夹下。

（记得创建目录 backup）

(2)adas.name

根据自己要分类的名称编写，一行一个名字。

7.3 编写训练sh脚本

vim tp_train.sh

注：yolov4.conv.137预训练权重文件需要下载

执行 sh tp_train.sh 开始训练

8 测试

./darknet detector test cfg/obj.data cfg/yolo-obj.cfg yolo-obj_xxxx.weights

darknet版本yolov4模型训练与测试

目录

代码下载

更改配置及编译

测试初始权重

准备自己的数据集

划分测试集和训练集

将voc文件格式转为yolo文件格式（xml->txt）

训练

测试

1 代码下载

2 更改配置及编译

3 测试初始权重

4 准备自己的数据集

5 划分测试集和训练集

6 将VOC文件格式转为yolo文件格式

7 训练

8 测试