使用Tianxiaomo/pytorch-YOLOv4的代碼
基本上按照作者提供的的coins數據集訓練教程即可，這里再記錄一下

2021-2-26

1. 下載和安裝

首先下載好代碼以及作者提供的coins.zip數據集和yolov4.conv.137.pth權重
然后安裝依賴包

• 使用較新的pytorch1.6版本，由于服務器cuda是10.1，所以安裝對應版本：

pip install torch==1.6.0+cu101 torchvision==0.7.0+cu101 -f https://download.pytorch.org/whl/torch_stable.html

• 安裝requirements.txt中的包
• 安裝報錯需要的其他包

2. 修改cfg.py：

• 不使用darknet cfg
• cfg.py中的batch設為4，subdivisions設為1

Cfg.use_darknet_cfg = False

Cfg.batch = 4
Cfg.subdivisions = 1

3. coins數據集中的train.txt放到data目錄下，并在data目錄下新建一個val.txt，并從中train.txt取出最后5行復制到val.txt
4. 按照作者的參數訓練coins數據集

• 命令行設置初始學習率 0.001

運行命令:

python train.py -l 0.001 -pretrained ../yolov4.conv.137.pth -classes 3 -dir /remote-home/my/2021/coins -train_label_path data/train.txt -g 1,2

2021-2-27

5. 訓練loss下降得很慢，查了一下，發(fā)現(xiàn)學習率調整策略沒改，改一下：

• cfg.py中的階梯學習率調整器的階梯點改為 60 1200 1500

Cfg.burn_in = 60  # 指學習率逐漸增長到設定值的分界點，iter而不是epoch
Cfg.steps = [1200, 1500]  # 指學習率階梯更新分界點，iter而不是epoch

運行命令:

python train.py -l 0.001 -pretrained ../yolov4.conv.137.pth -classes 3 -dir /remote-home/my/2021/coins -train_label_path data/train.txt -g 1,2

作者的coin示例loss最終下降到一兩百左右效果就可以了，到這里訓練代碼就跑通了

作者也提供了使用darknet cfg文件的代碼，這里試一下

• 修改cfg.py：

Cfg.use_darknet_cfg = True
Cfg.cfgfile = 'cfg/yolov4-custom.cfg' 

Cfg.batch = 4
Cfg.subdivisions = 1

• 修改cfg/yolov4-custom.py:

filters=24  
# 指的是第1個[yolo]前面最后一層卷積層的filters，它與類別數量有關，必須是3*(5+n_classes)，因為每一路有3個anchor，每個anchor對應(5+n_classes)個元素的輸出
# 下面兩個filters的設置同理

classes=3
# 第1個[yolo]中的classes

filters=24
# 指的是第2個[yolo]前面最后一層卷積層的filters

classes=3
# 第2個[yolo]中的classes

filters=24
# 指的是第3個[yolo]前面最后一層卷積層的filters

classes=3
# 第3個[yolo]中的classes

• 打開AlexeyAB/darknet，下載yolov4.conv.137到本目錄，在train.py代碼中找到model = Darknet(cfg.cfgfile)這一行，在其后面加上darknet的權重加載：

model.load_weights("./yolov4.conv.137")

• 訓練時到evaluate部分會卡住，原因不明，先在train.py中注釋掉這部分：

#             if cfg.use_darknet_cfg:
#                 eval_model = Darknet(cfg.cfgfile, inference=True)
#             else:
#                 eval_model = Yolov4(cfg.pretrained, n_classes=cfg.classes, inference=True)
#             # eval_model = Yolov4(yolov4conv137weight=None, n_classes=config.classes, inference=True)
#             if torch.cuda.device_count() > 1:
#                 eval_model.load_state_dict(model.module.state_dict())
#             else:
#                 eval_model.load_state_dict(model.state_dict())
#             eval_model.to(device)
#             evaluator = evaluate(eval_model, val_loader, config, device)
#             del eval_model
# 
#             stats = evaluator.coco_eval['bbox'].stats
#             writer.add_scalar('train/AP', stats[0], global_step)
#             writer.add_scalar('train/AP50', stats[1], global_step)
#             writer.add_scalar('train/AP75', stats[2], global_step)
#             writer.add_scalar('train/AP_small', stats[3], global_step)
#             writer.add_scalar('train/AP_medium', stats[4], global_step)
#             writer.add_scalar('train/AP_large', stats[5], global_step)
#             writer.add_scalar('train/AR1', stats[6], global_step)
#             writer.add_scalar('train/AR10', stats[7], global_step)
#             writer.add_scalar('train/AR100', stats[8], global_step)
#             writer.add_scalar('train/AR_small', stats[9], global_step)
#             writer.add_scalar('train/AR_medium', stats[10], global_step)
#             writer.add_scalar('train/AR_large', stats[11], global_step)

運行命令:

python train.py -l 0.001 -classes 3 -dir /remote-home/my/2021/coins -train_label_path data/train.txt -g 1,2

也可以正常訓練

2021-2-28

學習率的調整要重視，對訓練效果很重要

• 一開始學習率可以調大一點，比如學習率調為0.004后，loss下降得更猛。實測，原先loss降到1000需要100個epoch，改完只需要35個epoch

batchsize的調整也很重要

• batch size改為2后，50個epoch后loss即可下降到100（即使再訓練到300個epoch也還是100左右）

2021-3-1

修復evaluate卡住的bug，在dataset.py前面導入cv2時禁用OpenCV多線程:

import cv2
cv2.setNumThreads(0)

代碼注釋

理解代碼和調試的過程中，在一些地方添加了注釋，記錄在注釋版代碼中