yolov4的发布引起了不少的关注，但由于darknet是大佬c语言写的，并且windows环境下的编译确实很麻烦，所以找了一个不用编译的yolov4开源代码基于pytorch环境。
参考：https://blog.csdn.net/myr503270510/article/details/109642901
本人的项目环境是：Windows10+pycharm+cuda11.0
数据格式：coco数据集格式（数据标注利用百度飞桨）
下载yolov4_pytorch源码：https://github.com/Tianxiaomo/pytorch-YOLOv4
下载权重：yolov4.weights 权重已经github上给出 ，自行下载，下载完成后，在上面代码文件的目录下创建 weights 文件夹，将权重文件放入这个文件夹中
1.环境搭建
-
创建环境
进入conda命令行创建虚拟环境，环境名为torch36(环境名自己起，注意和其他环境区分开)，python版本为3.6
conda create --name yolov4 python=3.6
-
激活环境
conda activate yolov4
- 安装pytorch
需要根据自己电脑的cuda版本安装对应的pytorch版本，我的电脑cuda是11.0，因此 torch ==1.7.1，torchvision==0.8.2
可以去pytorch官网查看版本
conda install pytorch torchvision torchaudio cudatoolkit=11.1 -c pytorch -c conda-forge
到这里，基础的环境已经配置好了，注意，上面配置的是 GPU版 的。
2.demo测试
环境配置好之后，可以跑一下demo文件测试一下
进入到下载好的代码文件夹下，执行如下命令，执行前确保相应的文件在对应文件夹下
python demo.py -cfgfile cfg/yolov4.cfg -weightfile weights/yolov4.weights -imgfile data/dog.jpg
3.训练自己的数据集
数据转换：
利用tool/coco_annotation.py将coco数据集的json文件转换成train.txt
生成的数据格式如下：
准备train.txt,内容是图片名和box。格式如下``` image_path1 x1,y1,x2,y2,id x1,y1,x2,y2,id x1,y1,x2,y2,id ... image_path2 x1,y1,x2,y2,id x1,y1,x2,y2,id x1,y1,x2,y2,id ... ... ``` - image_path : 图片名 - x1,y1 : 左上角坐标 - x2,y2 : 右下角坐标 - id : 物体类别
模型训练：
参数修改，修改cfg.py文件
开始训练的时候我直接用原来的参数，batch size设为64，跑了几个epoch发现不对，我数据一共才二十多个。
后修改网络更新策略，不是按照每个epoch的step更新，使用总的steps更新，观察loss貌似可以训练了，后面打开电脑一看，loss收敛到2.e+4下不去了，此种必又蹊跷，遂kill了。
于是把batch size直接设为4，可以正常训练了。
Cfg.batch = 4
Cfg.subdivisions = 1
开始训练
python train.py -l 0.001 -g 0 -pretrained yolov4.conv.137.pth -classes 3 -dir data/-l 学习率
-g gpu id
-pretrained 预训练的主干网络，从AlexeyAB给的darknet的yolov4.conv.137转换过来的
-classes 类别种类 -dir 图片所在文件夹
看下loss曲线
tensorboard --logdir log 如果不能tensorboard，可以pip install tensorboard 然后再查看。
验证
#python model.py num_classes weightfile imagepath namefilepython model.py 3 weight/Yolov4_epoch166_coins.pth data/1.jpg data/data.names