论文题目：YOLOv4： Optimal Speed and Accuracy of Object Detection
今天，使用YOLOv4对进行目标检测，将自己的训练过程记录下来，总的来说，和之前Darknet的YOLOv3版本的操作完全相同。
环境
Ubuntu 16.04
Python： 3.6.2
OPENCV：2.4.9.1
CUDA： 9.0
GPU： GTX1050Ti
首先下载代码：
git clone https://github.com/AlexeyAB/darknet.git由于都是AlexeyAB大神的杰作，在使用上与YOLOv3使用过程几乎相同。1. 编译make
如果硬件设备包含GPU加速，需要对makefile文件进行修改，修改后如下图所示。
训练肯定需要使用GPU加速，那么得打开项目里面的makefile文件修改一些参数的值，
1-4、7行中的0改为1
makefile前面几行：打开GPU 加速，打开opencv，打开libdarknet.so生成开关
或
然后在终端进行编译：
# cd到darknet文件夹下：
make # 或make -j8
2. 下载开源权重，并测试：
yolov4.weights: https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights
yolov4.conv.137: https://drive.google.com/open?id=1JKF-bdIklxOOVy-2Cr5qdvjgGpmGfcbp
下载后放在主目录下
使用与训练的权重进行测试：
./darknet detect cfg/yolov4.cfg yolov4.weights data/dog.jpg
成功则在主目录下出现predictions.jpg 图片为预测后的图片，打开 OPENCV=1的可以直接显示出图片。说明我们的环境配置好了，否则先去配置环境。
3. 训练自己的数据集
3.1 数据集制作
构建与YOLOv3相同的数据文件夹（此处仍以YOLOv3的方式构建）：
在根文件夹下按如下目录创建VOCdevkit 文件夹，放自己的训练数据。
VOCdevkit --VOC2007 ----Annotations #（放XML标签文件） ----ImageSets ------Main ----JPEGImages # (放原始图片)
中：
- Anontations用于存放标签xml文件
- JPEGImage用于存放图像
- ImageSets内的Main文件夹用于存放生成的图片名字，例如：
3.2. 准备YOLOv4需要的label和txt
首先，从路径为"./scripts"文件夹下有voc_label.py，复制到VOCdevkit 文件夹同等级下，打开后修改自己的类别信息，，并对其内容进行修改。
其中，#后为注释掉的为原先的，未被注释掉的是修改后的，sets中为年份(VOC后的数字，例如VOC2007中的2007)和包含的数据集(Main文件夹中划分数据集的txt的种类)，classes中填写标注文件中包含的待识别物体的类别标签。
然后将所有出现的 VOCdevkit修改为 相应的路径 ,因为我的目录是voc_label.py在VOCdevkit 文件夹同等级下 ，所以不需要对相关文件的路径进行修改，其他修改内容如下(这里根据你们的数据集更改 要求找到对应的目录就可以了)
执行voc_label.py，在同等级目录下将会生成训练需要的文件，即各个训练集中包含图像的路径。
3.3 在主目录下创建yolo-obj.cfg 配置文件。将 yolov4-custom.cfg 中的内容复制到 yolo-obj.cfg里面，并做以下修改。
yolov4-custom.cfg 参数说明及调参经验：https://zhuanlan.zhihu.com/p/91587361
https://zhuanlan.zhihu.com/p/114530609
--3.3.1修改batch=64，修改subdivisions=32(如果显卡是1050TI的，可以把batch设置为96，如果报内存不足，将batch改回64将，或者subdivisions设置为32)
--3.3.2修改max_batches=classes*2000 例如有2个类别人和车 ，那么就设置为4000，N个类就设置为N乘以2000，
--3.3.3修改steps为80% 到 90% 的max_batches值 比如max_batches=4000，则steps=3200,3600
--3.3.4修改classes,先用ctrl+F搜索 [yolo] 可以搜到3次，每次搜到的内容中 修改classes=你自己的类别 比如classes=2
--3.3.5修改filters,一样先搜索 [yolo] ,每次搜的yolo上一个[convolutional] 中 filters=(classes + 5)x3 比如filters=21
--3.3.6（可以跳过）如果要用[Gaussian_yolo] ，则搜索[Gaussian_yolo] 将[filters=57] 的filter 修改为 filters=(classes + 9)x3 （这里我没用到，但是还是修改了）
3.4制作obj.names
在build\darknet\x64\data\ 文件夹下创建obj.names文件。内容为你的类别 比如人和车 那么obj.names 为如下
person car
3.5制作obj.data
在build\darknet\x64\data\文件夹下创建obj.data文件。内容如下
classes= 2 train = data/train.txt valid = data/test.txt #做测试用的测试txt，（voc_label.py生成的） names = data/obj.names #类别标签名称，找不到的话，修改为自己的绝对路径 backup = backup/ #权重存放位置
我在这读取不到相对路径下文件 所以改为绝对路径 就可以了 这是我的obj.data文件
3.6 开始训练
./darknet detector train build/darknet/x64/data/obj.data yolo-obj.cfg yolov4.conv.137 -map如果要使用gpu的话输入以下
./darknet detector train build/darknet/x64/data/obj.data yolo-obj.cfg yolov4.conv.137 -gpus 0 -map#若训练2000此后在之前训练的基础上继续训练（适合中途停止后继续训练）
./darknet detector train build/darknet/x64/data/obj.data yolo-obj.cfg backup/yolo-obj_2000.weights -gpus 0 -map在训练过程中，与之前yolov3不同的是yolov4在训练过程中会弹出训练过程中的loss的实时图像，如下图所示，会动态的显示每一代的损失，当前代数和预计剩余时间。
出现问题：
报错 CUDA status Error: file: ./src/dark_cuda.c : () : line: 373 CUDA Error: out of memory CUDA Error: out of memory:
解决方法：参考： 的问题中的回复
降低batch和subdivisions都设为16；然后把cfg文件中的width和height减小(但要是32的倍数，我的是416，416)直到能训练。
如下
对于下图，值得一提的是起初loss在图像上看到的是平的，并不是意味着损失不下降，只是loss相对与18.0而言都太大了，在固定坐标的图像上难以显示，因此可视化的是平的。
3.7. 预测
预测指令：
./darknet detector test build/darknet/x64/data/obj.data yolo-obj.cfg backup/yolo-obj_xxxx.weights然后在提示的Enter Path中输入待测图像的路径。如下图所示。
参考map图
./darknet detector map obj.data yolo-obj.cfg backup/yolo-obj_final.weights
