Skip to content

Latest commit

 

History

History
54 lines (45 loc) · 2.48 KB

README.md

File metadata and controls

54 lines (45 loc) · 2.48 KB
Raw

YOLOv4模型與部署到Colab訓練

<安裝方法一>參考官方文件

  1. 請按此下載檔案1
  2. 請按此下載檔案2
  3. labelImg官方說明 image
  4. 把要訓練的圖片放進檔案1底下的\VOCdevkit\VOC2021\JPEGImages
  5. 開啟labelImg 之後把Change Save Dir 改成檔案1底下的VOCdevkit\VOC2021\Annotations
  6. 並且點擊Open dir 開啟 \JPEGImages

<安裝方法二>使用EXE檔

  1. 下載LabelImg，(官網載點)

<LabelImg使用方式>

  1. 勾選左上選單的View底下的 Auto Save mode
  2. 可以開始拉框框標記了 (快捷鍵 W:拉框框， D:下一張， A:上一張) image 每標記完一張圖Annotations 底下都會出現一個xml檔案 #檔名不要有中文

<使用Colab訓練>

  1. 使用colab訓練好處：避免Windows+Yolo_v4在呼叫本地端GPU時，可能產生的異常。
  2. 執行[檔案1]中的gen_train_val.py
  3. colab訓練方法

[檔案1]參數說明

  1. voc_label.py
    • classes = ["第一的類別","第二個類別"]
  2. obj.data:
    • classes = 1 #類別數量
    • train = 2021_train.txt
    • valid = 2021_val.txt
    • names = obj.names #標籤名稱
    • backup = backup #yolo會將訓練結果的權重存在這裡
  3. obj.names:
    • 放標籤名稱
  4. yolov4-tiny.conv.29 :
    • 預訓練權重檔
  5. yolov4-tiny-myobj.cfg(config檔)需要修改如下:
    • subdivisions = 16 #記憶體如果不足可以改成32或64
    • max_batches = 2000乘以類別數量 #但最低不可以低於6000，所以一個類別的話要設定為6000
    • steps = 4800,5400 #max_batches 的80%與90%
    • classes=1 #辨識的類別數量，注意有兩個地方要改，分別是220行跟269行
    • filters = 18 #改成(classes 的數量+5) 乘以3
      ##備註##
      [convolutional]
      size=1
      stride=1
      pad=1
      filters=18 <-- 下面有一個activation=linear的才是要改的，原檔是212跟263行
      activation=linear