/YOLOv4_tensorflow

implement yolov4 with pure tensorflow and you can training net on your own dataset. YOLOv4的纯tensorflow实现,可训练自己的模型.

Primary LanguagePython

YOLOv4_tensorflow | English introductions

  • yolov4的纯tensorflow实现.
  • 数据增强还没有实现
  • 持续更新

二战中科院计算所失败，求老师调剂收留

使用说明

  • 执行命令
python val.py
  • 如果没有报错, 就没问题

转换 yolov4.weights

  • 参考这个权重转换文件, 我将 yolov4.weights 转换到了自己的代码中
  • 将下载好的 yolov4.weights 放到 yolo_weights 文件夹下, 执行命令
python convert_weight.py
python test_yolo_weights.py
  • 会在 yolo_weights 文件夹下生成 ckpt 权重文件
  • 并且你将会看到这样的画面,完美

image

  • weights_name.txt 文件中存放的是图模型的卷积层和bn的名字

在 VOC2007 和 VOC2012 数据集上训练

  • 打开 config.py ,将 voc_root_dir 修改为自己VOC数据集存放的根目录, voc_dir_ls 修改为自己想要训练的VOC数据集名
  • 执行命令
python train_voc.py
  • 训练完成后,将测试图片放到 voc_test_pic 文件夹下,执行命令
python val_voc.py
  • 训练一天(364999步)的结果(input_size:416*416, batch_size:2, lr:2e-4, optimizer:momentum)，还不错

image image

  • 此外，在VOC上训练时的 loss nan 问题应该已经被解决了.
  • 这是我训练的损失图，学习率貌似有点太小了
python show_loss.py 20 300

image

在自己的数据集上训练

  • ./data/JPEGImages 文件夹中存放用labelme标注json文件的jpg图片和对应的json文件, 参考我给的 ./data/JPEGImages 文件夹下的格式
  • 然后在 ./data 文件夹下执行 python 命令, 会自动产生 label 文件和 train.txt 文件
python generate_labels.py
  • 继续执行命令,得到 anchor box
python k_means.py
  • 打开 config.py, 将得到的 anchor box 写入到第六行，就像这样
anchors = 12,19, 19,27, 18,37, 21,38, 23,38, 26,39, 31,38, 39,44, 67,96
  • 接下来，修改 data/train.names 中的内容为你需要训练的分类名字(不要用中文),并且将 config.py 中的分类数改为自己的分类数
  • 所有的配置参数都在 config.py 中，你可以按照自己的实际情况来修改
  • 配置完成,执行命令
python train.py
  • 训练完成后,将测试图片放到 test_pic 文件夹下,执行命令验证训练结果
python val.py
  • 这是我用123张图片训练了 5000 步(25分钟)的结果，效果还不错

image

有关 config.py 和训练的提示

  1. config.py 中的 width 和 height 应该是 608，显存不够才调整为 416 的
  2. 学习率不宜设置太高
  3. 如果出现NAN的情况，请降低学习率

致谢

感谢以下同仁对仓库代码改进提供的宝贵意见

  1. Jiachenyin1

自己的设备

GPU : 1660ti (华硕猛禽) 6G
CPU : i5 9400f
mem : 16GB
os : ubuntu 18.04
cuda: 10.2
cudnn : 7
python : 3.6.9
tensorflow-gpu:1.14.0
numpy : 1.18.1
opencv-python : 4.1.2.30