前言

之前一篇『YOLO v4 建置心得 -- Windows 環境』介紹如何建置 YOLO4(Darknet)，並進行物件偵測(Object Detection)， 但是，下載的標準模型只能偵測 MS COCO 資料集的80種物件，如果要偵測自訂的物件，就必須使用自訂資料集來訓練模型，因此，以下就來實作模型訓練。

準備訓練資料

YOLO 模型訓練主要分兩個步驟：

1. 標註資料：可使用各式標註工具，將圖像內的物件框起來，一般存檔的格式有YOLO、COCO、VOC等，本文使用的是YOLO格式。
2. 模型訓練：有了圖像及標註檔後，就可以進行模型訓練，以下會詳細介紹完整的程序。

標註工具有LabelImg、LabelMe等軟體，可參閱『13 Best Image Annotation Tools of 2021』。常用的是LabelImg，相關指令如下：
安裝：pip install LabelImg
執行：LabelImg
操作可參閱『LabelImg 影像標註工具使用教學，製作深度學習用的資料集』。

兩個步驟都非常費時，因此，本文選擇直接下載已標註好的資料集，只有一個類別 -- 兔子，網址為『Eastern Cottontail Rabbits Dataset』。 內容是一個圖檔(.jpg)對應一個同名的備註檔(.txt)，備註檔的格式有五欄：類別代碼、物件左上角X軸座標、左上角Y軸座標、物件寬度、物件高度。

訓練

訓練程序詳閱『YOLO v4 官網』。

因為程序實在非常冗長，因此筆者稍作整理，以方便讀者快速設定。

1. 建置 Darknet執行檔，請參閱『YOLO v4 安裝心得 -- Windows 環境』。

2. 下載預訓模型 yolov4.conv.137 至 weights 目錄(需新增)。

3. 切換至 darknet-master\build\darknet\x64 目錄。

4. 複製 cfg\yolov4-custom.cfg 為 cfg\yolo-obj.cfg。以下5~10步驟修改yolo-obj.cfg檔案內設定。

5. batch=16：原始文件為64，批次過大會造成筆者PC記憶體不足(GPU)，讀者可依據本身的GPU記憶體調配。記憶體不足的錯誤訊息為『Error: cuDNN isn't found FWD algo for convolution』。

6. max_batches=2000：公式為 類別數(classes) x 2000。

7. steps=1600,1800：公式為 max_batches 的 80%、90%。

8. 設定模型輸入的圖像尺寸。
   width=416
   height=416

9. [yolo]段落的classes=80更改為classes=1：共3個，可直接使用編輯器的『取代』直接置換，須視類別個數調整
   。

10. [yolo]段落的上面一個[convolutional]段落的filters=255更改為filters=18，共3個，請小心修改，filters值須視類別個數調整，公式為(類別個數+5) x 3。

11. 新增檔案 build\darknet\x64\data\obj.names，內容如下，須列出所有類別：
    Rabbits

12. 新增檔案 build\darknet\x64\data\obj.data，內容如下：

# 視類別個數調整
classes = 1
train = data/train.txt
valid = data/test.txt
names = data/obj.names
backup = backup/

13. 複製訓練資料(*.jpg、 *.txt) 至 build\darknet\x64\data\obj\ 目錄(需新增)。部分檔名過長，訓練可能出現錯誤，可修改成較短的檔名。使用Labelimg開啟上述目錄，可觀看標註的圖像，如下：
    

14. 新增檔案 build\darknet\x64\data\train.txt，檔案內容為每個圖像檔名。前面加data/obj/。

15. 訓練指令如下，若訓練時有些檔案找不到，試著將檔名及txt檔名改短：
    darknet.exe detector train data/obj.data cfg/yolo-obj.cfg weights/yolov4.conv.137

16. 筆者訓練約2小時，過程的損失函數如下圖，最後會存至 chart_yolo-obj.png。
    

17. 訓練後的權重檔會儲存在backup目錄，檔名為 yolo-obj_final.weights。

18. 如果訓練中途停止，或要延長訓練週期，可執行指令如下：
    darknet.exe detector train data/obj.data cfg/yolo-obj.cfg backup\yolo-obj_2000.weights

其中yolo-obj_2000.weights為執行2000訓練週期的權重檔，以上指令表示由第2000週期繼續訓練。

19. 測試指令如下：

darknet.exe detector test data/obj.data cfg\yolo-obj.cfg backup\yolo-obj_final.weights 

或者

darknet detector test data/obj.data cfg/yolo-obj.cfg backup\yolo-obj_final.weights data\obj\4616855_80b098a3_jpg.rf.a0a319f1836215681493f06c81856b99.jpg

或者一次測試多個檔案：

darknet detector test data/obj.data cfg/yolo-obj.cfg backup\yolo-obj_final.weights < data/train.txt

輸出如下：

Python 測試

修改darknet.py 最後第三行，指定相關設定檔：

import sys

print(performDetect(sys.argv[1], configPath = "./cfg/yolo-obj.cfg", weightPath = "./backup/yolo-obj_final.weights", metaPath= "./data/obj.data"))

測試指令如下：

python .\darknet_custom.py data\obj\4616855_80b098a3_jpg.rf.a0a319f1836215681493f06c81856b99.jpg

輸出如下：

也可以自網路上下載圖檔試試看，注意要是同品種的兔兔，白兔可認不出來喔。

工商廣告一下：
PyTorch：
開發者傳授 PyTorch 秘笈

預計 2022/6/20 出版。

TensorFlow：
深度學習 -- 最佳入門邁向 AI 專題實戰。