标签：YOLOv4 训练 安装 11.2 yolov4 CUDA https cfg data
环境
- Windows：10
- YOLOv4
- OpenCV：4.5.3
- Visual Studio 2019：16.11
- CUDA：11.2.0_460.89_win10
- cudnn：11.2-windows-x64-v8.1.1.33
硬件
- NVIDIA GeForce RTX 3070 Ti
OpenCV 4.5.3网址：https://sourceforge.net/projects/opencvlibrary/files/4.5.3/
OpenCV 4.5.3下载链接：https://nchc.dl.sourceforge.net/project/opencvlibrary/4.5.3/opencv-4.5.3-vc14_vc15.exe
安装完成后为OpemCV添加环境变量。
Visual Studio 2019网址：https://docs.microsoft.com/en-us/visualstudio/releases/2019/release-notes-preview
CUDA网址：
https://developer.nvidia.com/cuda-11.2.0-download-archive?target_os=Windows&target_arch=x86_64&target_version=10&target_type=exelocal
CUDA下载链接：
https://developer.download.nvidia.cn/compute/cuda/11.2.0/local_installers/cuda_11.2.0_460.89_win10.exe
cudnn网址：https://developer.nvidia.com/rdp/cudnn-archive
验证CUDA是否安装成功
nvcc --version
C:\Users\78694>nvcc --version
nvcc: NVIDIA ® Cuda compiler driver
Copyright © 2005-2020 NVIDIA Corporation
Built on Mon_Nov_30_19:15:10_Pacific_Standard_Time_2020
Cuda compilation tools, release 11.2, V11.2.67
Build cuda_11.2.r11.2/compiler.29373293_0
将cudnn解压出来，然后将cudnn中的 bin、include、lib文件夹移动到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2 文件夹下。
注：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2是我的电脑安装CUDA的路径为例。可以根据自己安装的 CUDA路径，找到 …\NVIDIA GPU Computing Toolkit\CUDA\v11.2，移动到 v11.2目录下。
YOLOv4：https://github.com/AlexeyAB/darknet
在darknet.vcxproj文件下，官方给出的配置为
<Import Project="$(VCTargetsPath)\BuildCustomizations\CUDA 11.1.props" />
<Import Project="$(VCTargetsPath)\BuildCustomizations\CUDA 11.1.targets" />
根据自己电脑安装的CUDA的版本，修改为对应的版本，我的电脑安装的是CUDA 11.2版本，所以修改如下图。
使用Visual Studio 2019打开YOLOv4项目，打开成功后，会弹出重定向项目，选择
Windows SDK版本：最新安装的版本
平台工具集：升级到v142
然后点击确定。
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\extras\visual_studio_integration\MSBuildExtensions 或 C:\Program Files (x86)\MSBuild\Microsoft.Cpp\v4.0\BuildCustomizations
找到以下几个文件
- CUDA 11.2.props
- CUDA 11.2.targets
- CUDA 11.2.xml
- Nvda.Build.CudaTasks.v11.2.dll
然后把以上4个文件复制粘贴到 C:\Program Files (x86)\MSBuild\Microsoft.Cpp\v4.0\v140目录下 和 D:\work\MicrosoftVisualStudio\Community\MSBuild\Microsoft\VC\v160\BuildCustomizations目录下
对项目进行重新生成
以下是项目生成成功后的结果。
在yolov4的官方下载yolov4.weights权重文件对重新生成的项目进行测试。
启动 Windows PowerShell
./darknet.exe detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output dog.jpg
以下为使用官方训练好的权重文件，对图片进行的预测效果。
voc.names文件用来存放标签的名字
例如
aeroplane
bicycle
bird
boat
bottle
bus
car
cat
chair
cow
diningtable
dog
horse
motorbike
person
pottedplant
sheep
sofa
train
tvmonitor
voc.data文件
分类：classes= 20
训练路径：train = data/train_voc.txt
valid = data/2007_test.txt
#difficult = data/difficult_2007_test.txt
names = data/voc.names
backup = backup/
train 文件内容
valid 文件内容
训练完成后，权重文件保存的路径：backup
yolov4.cfg文件
- 每次batch训练时样本数量：batch=64
- 将每一次batch的数量，分成subdivisions对应的数字的份数：subdivisions=16
- 图片训练的最大迭代次数（class*2000）： max_batches = 500500，例如2个标注信息，就是2 * 2000 = 4000。
- 图片分类：classes=80，代表有80个分类。
- filters=255：3*（5+class）例如 class = 2 则 filters=21。
- steps=3200,3600：第一个参数 max_batches * 0.8, 第二参数 max_batches * 0.9。
注意：一共有三处yolo需要修改，三处同样的 filters 和 classes 都要修改。快速找到三处，快捷键ctrl + f 输入yolo会自动定位到需要修改的位置。
下载预训练权重文件 yolov4.conv.137
使用命令行开始训练：
./darknet.exe detector train data/voc.data cfg/yolov4.cfg yolov4.conv.137
从零开始训练
./darknet.exe detector train data/voc.data cfg/yolov4.cfg -map
测试
./darknet.exe detect data/voc.data cfg/yolov4.cfg backup/yolov4.weights data/images/00016.jpg -thresh 0.9
./darknet.exe detector test data/voc.data cfg/yolov4.cfg backup/yolov4_last.weights -i 0 -thresh 0.25 data/datasets/baidu000000.jpg
- thresh：为置信度
遇到以下问题
（1）在训练的过程中
Can’t open label file. (This can be normal only if you use MSCOCO)
解决办法：图片和txt文件要放在同一目录下。
并检查train文件和valid文件内容中的图片路径和 标签路径是否正确，如果路径不对也会无法打开图片或标签文件。
参考网址：https://ccoderun.ca/programming/darknet_faq
标签：YOLOv4,训练,安装,11.2,yolov4,CUDA,https,cfg,data 来源： https://blog.csdn.net/qq_44989881/article/details/122822111
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。