vs2015+opencv440实现YOLOv4，并训练自己的数据集（完全零基础） 附：利用python接口进行调用

最近因为毕设需要，在研究深度学习目标检测的一些算法，具体算法的对比和特点就不详细说了，总之最终确定使用YOLOv4算法。作为深度学习小白，从零开始记录一下自己实现该算法的过程，并且方便自己将来使用。
目前网络上也有很多关于Windows实现YOLOv4的教程，但是总感觉很凌乱，需要不断对比才能找对真正可行的方法，因为本文是一个总结文，希望能给之后学习的人一些帮助。文中用到了一些其他人的程序和图片，我会全部标注原文链接，如有冒犯侵权请原作者联系我删除。

一、环境介绍

对于从零开始的小白，我们需要安装以下软件或环境

1. VS2015 ，VS2015是我们用到的编译器，需要安装C++和python环境，python只有在我们训练自己的数据集时才用到；
2. opencv440，opencv440是我们用到的图像处理库，opencv从440开始支持了YOLOv4，所以不要下载更低版本；
3. NVIDIA驱动程序 ，能够让我们更好地利用自己的显卡；
4. CUDA10.2 ,CUDA是NVIDIA推出的计算平台，能够基于NVIDIA显卡架构使用GPU进行复杂的图像运算；
5. cuDNN，cuDNN是专门用于CUDA的神经网络加速包，与CUDA配合使用 ；
6. YOLOv4相关配置文件

二、环境的具体搭建

1. VS2015
   可以直接到官网 vs下载地址下载最新的2019社区版（社区版是可以免费试用的），其实不同版本差异并不大，都可以使用。发现自己没有网盘会员上传不了vs2015安装包，要是真的想用2015读者可以自行查找一下。
   下载完成以后，点击vs_community.exe程序安装。
   
   在选择功能中选择 C++和python进行安装。接下来耐心等待到安装完成即可。
2. opencv440
   链接：https://pan.baidu.com/s/1eUb8oJJS22YwXzWsySki1A
   提取码：qdpt
   下载完成后，进行安装，具体的安装教程可以参考另外一位博主的文章，下面给出链接。opencv安装与环境配置
3. NVIDIA驱动程序+CUDA+cuDNN
   CUDA与cuDNN的安装教程，参考文章。NVIDIA驱动程序CUDA+cuDNN安装教程
4. YOLOv4相关配置文件
   链接：https://pan.baidu.com/s/1oh36WVqsBmr3_oC7JGBxeg
   提取码：erx3
   直接下载这么相关文件。

三、官方模型权重测试

以上环境全部搭建成功以后，就可以进行代码的测试了。在我们下载的YOLOv4相关配置文件中已经给出了测试要用到的代码opencv4_yolov4.cpp。我们新建一个C++项目

将主程序替换成opencv4_yolov4.cpp，并在程序所在位置新建两个文件夹model和image，如图。
直接点击运行即可。
tips:
1.将模式修改为release x64
2.每新建一个程序，若要使用opencv库，都要重新在该程序中进行进行一次opencv环境的配置。

四、训练自己的数据集

4.1 下载darknet-master

训练自己的YOLOv4数据集的时候就需要用到原作者编写的darknet-master了，这里用到的是C语言编写的，可以到原作者的github直接下载。darknet下载地址

4.2 Demo测试

接下来可以参考这篇文章darknet测试的第二、第三两部分，完成简单的demo测试。但是不参考他的第四部分，他的这一部分比较混乱，加下来我会单独进行介绍。

4.3 标注自己的数据集

本文使用labelImg软件进行标注，下载地址，使用教程
标注完成后，我们得到一系列xml文件。
tips: 我们的图片最好使用六位数字进行命名

4.4 训练自己的数据集

4.4.1 创建文件目录

首先在D:\darknet-master\build\darknet目录下新建一个myData文件夹

在myData文件夹下，新建Annotations、Images、ImageSets文件夹，在ImageSets下新建Main文件夹，并在myData下放入之前下载的预训练文件yolov4.conv.137。

在Images文件中存放我们的图片文件，在Annotations文件夹中存放图片对应的xml文件。

4.4.2 划分数据集

接下来在myData文件夹下新建test.py程序，程序代码如下，并运行。

import os
import random

trainval_percent = 0.1
train_percent = 0.9
xmlfilepath = 'Annotations'
txtsavepath = 'ImageSets\Main'
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

ftrainval = open('ImageSets/Main/trainval.txt', 'w')
ftest = open('ImageSets/Main/test.txt', 'w')
ftrain = open('ImageSets/Main/train.txt', 'w')
fval = open('ImageSets/Main/val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftest.write(name)
        else:
            fval.write(name)
    else:
        ftrain.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

运行后，我们在ImageSets/Main下得到train.txt，val.txt，test.txt和trainval.txt四个文件。里面分别包含了：训练集、验证集、测试集、训练+验证集对应的图片的名称。

4.4.3 转变数据集格式

接下来，我们将labelImg标注得到的xml格式转变为YOLO使用的txt格式。在D:\darknet-master\build\darknet路径下新建my_labels.py文件，代码如下

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join

# 源代码sets=[('2012', 'train'), ('2012', 'val'), ('2007', 'train'), ('2007', 'val'), ('2007', 'test')]
sets = [('myData', 'train'), ('myData', 'test')]  # 改成自己建立的myData

classes = ["mopian"]  # 改成自己的类别


def convert(size, box):
    dw = 1. / (size[0])
    dh = 1. / (size[1])
    x = (box[0] + box[1]) / 2.0 - 1
    y = (box[2] + box[3]) / 2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return (x, y, w, h)


def convert_annotation(year, image_id):
    in_file = open('myData/Annotations/%s.xml' % (image_id))  # 源代码VOCdevkit/VOC%s/Annotations/%s.xml
    out_file = open('myData/labels/%s.txt' % (image_id), 'w')  # 源代码VOCdevkit/VOC%s/labels/%s.txt
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)

    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
             float(xmlbox.find('ymax').text))
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')


wd = getcwd()

for year, image_set in sets:
    if not os.path.exists('myData/labels/'):  # 改成自己建立的myData
        os.makedirs('myData/labels/')
    image_ids = open('myData/ImageSets/Main/%s.txt' % (image_set)).read().strip().split()
    list_file = open('myData/%s_%s.txt' % (year, image_set), 'w')
    for image_id in image_ids:
        list_file.write('%s/myData/Images/%s.png\n' % (wd, image_id))
        convert_annotation(year, image_id)
    list_file.close()

运行该程序，会在myData目录下生成一个labels文件夹一个myData_train.txt和myData_test.txt文件。将lavels文件夹下的txt文件全部复制到Images文件夹中。labels文件夹中txt是标注的类别和位置信息，具体含义如下：

4.4.4 修改配置文件

修改voc.data和yolov4-custom.cfg文件，这两个是配置文件：在D:\darknet-master\build\darknet\x64\cfg下复制yolov4-custom.cfg文件到myData文件夹下，并改名为my_yolov4.cfg。在D:\darknet-master\build\darknet\x64\cfg下复制voc.data文件到myData文件夹下，并改名为my_data.data。

修改my_yolov4.cfg文件，（可以用记事本打开），在修改规则如下

文件中还有几处需要修改的，在文档中搜索 [YOLO]，共有三处，在这三处下面，将filters修改为 (classes+5)×3，将classes修改成你自己的类别数目。如下：



接下来修改my_data.data文件，修改原则如下

classes= 3 ##改为自己的分类个数
##下面都改为自己的路径
train  = /home/XXX/darknet/myData/myData_train.txt  
names = /home/XXX/darknet/myData/myData.names #稍后需要创建这个文件
backup = /home/XXX/darknet/myData/weights

下面在myData文件夹下创建myData.names文件，输入你自己的类别名

到这里全部的准备工作进行完毕，接下来进行训练。
在D:\darknet-master\build\darknet\x64目录下执行cmd命令(注意修改成自己的文件路径)

darknet.exe detector train D:\darknet-master\build\darknet\myData\my_data.data D:\darknet-master\build\darknet\myData\my_yolov4.cfg D:\darknet-master\build\darknet\myData\yolov4.conv.137

4.4.5 测试自己的权重文件

生成的权重文件会保存在weights文件夹中，训练完成之后，可用如下代码进行测试，在D:\darknet-master\build\darknet\x64目录下执行cmd命令

./darknet detect D:\darknet-master\build\darknet\myData\my_yolov4.cfg D:\darknet-master\build\darknet\myData\weights/my_yolov3.weights 1.jpg

得到结果。

4.4.6 更多的检测命令

直接参考原作者github的帮助文档
https://github.com/AlexeyAB/darknet

4.5 调用python接口

python的路径为 D:\darknet-master\darknet_images.py
在使用该接口之前，需要先生成dll文件，例如我们要使用GPU版本，利用D:\darknet-master\build\darknet\yolo_cpp_dll.sln 工程，选择release x64，点击重新生成解决方案。


将在 D:\darknet-master\build\darknet\x64 目录下生成一系列dll文件

将 yolo_cpp_dll.dll 和 pythonVC2.dll 两个文件复制到 D:\darknet-master 路径，即 darknet_images.py 所在的路径下。
然后打开darknet_images.py 在Terminal中利用命令行执行命令

python darknet_images.py --input D:/darknet-master/build/darknet/myData/Images --weights D:/darknet-master/build/darknet/myData/weights/my_yolov4_best.weights --config_file D:/darknet-master/build/darknet/myData/my_yolov4.cfg --data_file D:/darknet-master/build/darknet/myData/myData.data --dont_show

具体其中每项都代表什么意思，怎么设置，可以查看 darknet_images.py 代码的注释

参考文章

https://blog.csdn.net/qq_45445740/article/details/108293324
https://blog.csdn.net/qq_45445740/article/details/108253155
https://www.cnblogs.com/answerThe/p/11481564.html