YOLO v4 模型训练实作

前言

之前一篇『YOLO v4 安装心得 -- Windows 环境』介绍如何建置 YOLO4(Darknet)，并进行物件侦测(Object Detection)， 但是，下载的标准模型只能侦测 MS COCO 资料集的80种物件，如果要侦测自订的物件，就必须使用自订资料集来训练模型，因此，以下就来实作模型训练。

准备训练资料

YOLO 模型训练主要分两个步骤：

1. 标注资料：可使用各式标注工具，将图像内的物件框起来，一般存档的格式有YOLO、COCO、VOC等，本文使用的是YOLO格式。
2. 模型训练：有了图像及标注档後，就可以进行模型训练，以下会详细介绍完整的程序。

标注工具有LabelImg、LabelMe等软件，可参阅『13 Best Image Annotation Tools of 2021』。常用的是LabelImg，相关指令如下：
安装：pip install LabelImg
执行：LabelImg
操作可参阅『LabelImg 影像标注工具使用教学，制作深度学习用的资料集』。

两个步骤都非常费时，因此，本文选择直接下载已标注好的资料集，只有一个类别 -- 兔子，网址为『Eastern Cottontail Rabbits Dataset』。 内容是一个图档(.jpg)对应一个同名的备注档(.txt)，备注档的格式有五栏：类别代码、物件左上角X轴座标、左上角Y轴座标、物件宽度、物件高度。

训练

训练程序详阅『YOLO v4 官网』。

因为程序实在非常冗长，因此笔者稍作整理，以方便读者快速设定。

1. 建置 Darknet执行档，请参阅『YOLO v4 安装心得 -- Windows 环境』。

2. 下载预训模型 yolov4.conv.137 至 weights 目录(需新增)。

3. 切换至 darknet-master\build\darknet\x64 目录。

4. 复制 cfg\yolov4-custom.cfg 为 cfg\yolo-obj.cfg。以下5~10步骤修改yolo-obj.cfg档案内设定。

5. batch=16：原始文件为64，批次过大会造成笔者PC记忆体不足(GPU)，读者可依据本身的GPU记忆体调配。记忆体不足的错误讯息为『Error: cuDNN isn't found FWD algo for convolution』。

6. max_batches=2000：公式为 类别数(classes) x 2000。

7. steps=1600,1800：公式为 max_batches 的 80%、90%。

8. 设定模型输入的图像尺寸。
   width=416
   height=416

9. [yolo]段落的classes=80更改为classes=1：共3个，可直接使用编辑器的『取代』直接置换，须视类别个数调整
   。

10. [yolo]段落的上面一个[convolutional]段落的filters=255更改为filters=18，共3个，请小心修改，filters值须视类别个数调整，公式为(类别个数+5) x 3。

11. 新增档案 build\darknet\x64\data\obj.names，内容如下，须列出所有类别：
    Rabbits

12. 新增档案 build\darknet\x64\data\obj.data，内容如下：

# 视类别个数调整
classes = 1
train = data/train.txt
valid = data/test.txt
names = data/obj.names
backup = backup/

13. 复制训练资料(*.jpg、 *.txt) 至 build\darknet\x64\data\obj\ 目录(需新增)。部分档名过长，训练可能出现错误，可修改成较短的档名。使用Labelimg开启上述目录，可观看标注的图像，如下：
    

14. 新增档案 build\darknet\x64\data\train.txt，档案内容为每个图像档名。前面加data/obj/。

15. 训练指令如下，若训练时有些档案找不到，试着将档名及txt档名改短：
    darknet.exe detector train data/obj.data cfg/yolo-obj.cfg weights/yolov4.conv.137

16. 笔者训练约2小时，过程的损失函数如下图，最後会存至 chart_yolo-obj.png。
    

17. 训练後的权重档会储存在backup目录，档名为 yolo-obj_final.weights。

18. 如果训练中途停止，或要延长训练周期，可执行指令如下：
    darknet.exe detector train data/obj.data cfg/yolo-obj.cfg backup\yolo-obj_2000.weights

其中yolo-obj_2000.weights为执行2000训练周期的权重档，以上指令表示由第2000周期继续训练。

19. 测试指令如下：

darknet.exe detector test data/obj.data cfg\yolo-obj.cfg backup\yolo-obj_final.weights 

或者

darknet detector test data/obj.data cfg/yolo-obj.cfg backup\yolo-obj_final.weights data\obj\4616855_80b098a3_jpg.rf.a0a319f1836215681493f06c81856b99.jpg

或者一次测试多个档案：

darknet detector test data/obj.data cfg/yolo-obj.cfg backup\yolo-obj_final.weights < data/train.txt

输出如下：

Python 测试

修改darknet.py 最後第三行，指定相关设定档：

import sys

print(performDetect(sys.argv[1], configPath = "./cfg/yolo-obj.cfg", weightPath = "./backup/yolo-obj_final.weights", metaPath= "./data/obj.data"))

测试指令如下：

python .\darknet_custom.py data\obj\4616855_80b098a3_jpg.rf.a0a319f1836215681493f06c81856b99.jpg

输出如下：

也可以自网路上下载图档试试看，注意要是同品种的兔兔，白兔可认不出来喔。

工商广告一下：
深度学习 -- 最佳入门迈向 AI 专题实战。