環境安裝

1. 開啟Pycharm新專案：

   1.1 點擊New Project開啟新專案

   

   1.2 點擊New enviroment using，選擇Vitualenv後輸入專案名稱，再點擊Create。

   

2. 到Github下載WongKinYiu/ScaledYOLOv4 yolov4-scp

3. 解壓縮後將ScaledYOLOv4-yolov4-csp資料夾移動到Pycharm專案資料夾內。

   

4. 在Pycharm內點選Terminal，並依序輸入以下指令

   4.1 進入ScaledYOLOv4-yolov4-csp資料夾：cd '.\ScaledYOLOv4-yolov4-csp\'

   4.2 建立requirements.txt，如下。

   numpy == 1.17
   opencv-python >= 4.1
   -f https://download.pytorch.org/whl/cu113/torch_stable.html
   torch==1.10.0+cu113
   -f https://download.pytorch.org/whl/cu113/torch_stable.html
   torchvision==0.11.1+cu113
   -f https://download.pytorch.org/whl/cu113/torch_stable.html
   torchaudio===0.10.0+cu113
   matplotlib
   pycocotools
   tqdm
   pillow
   tensorboard >= 1.14
   pyyaml
   scipy
   

   4.3 安裝需求套件：pip install -r requirements.txt

   

模型推論(detect.py檔)

1. 預訓練模型yolov4-csp權重

   1.1 下載預訓練模型yolov4-csp權重

   1.2 放到ScaledYOLOv4-yolov4-csp資料夾，用以執行detect.py測試是否部署環境成功。

   

2. 在data資料夾中，創建samples資料夾。下載AlexeyAB/darknet/data/person.jpg。將person.jpg複製成8張，可測試單張及多張照片的GPU推論速度。

   

3. 在Terminal輸入推論指令

   3.1 單張照片gpu推論：python detect.py --source data/samples/person1.jpg --cfg models/yolov4-csp.cfg --weights yolov4-csp.weights --conf 0.25 --img-size 640 --device 0

   • 執行結果：載入模型+1張圖片推論，花費了0.047秒。

     

   • 推論結果

     

   3.2 多張照片gpu推論：python detect.py --source data/samples --cfg models/yolov4-csp.cfg --weights yolov4-csp.weights --conf 0.25 --img-size 640 --device 0

   • 執行結果

     • 載入模型+第1張圖片推論，花費0.051秒
     • 第2~8張圖片，1張圖片推論平均時間為0.0261秒。

     

   • 推論結果

     

   3.3 參數說明

   • --cfg 後面放參數設定的檔案路徑，如：models/yolov4-csp.cfg
   • --weights 後面放推論時讀取的weight檔案路徑，如：yolov4-csp.weights
   • --source 後面放要推論的圖片或資料夾路徑，如：data/samples
   • --conf 後面放confidence的閾值，如：0.25
   • --iou-thres後面放NMS的閾值，如：默認0.5
   • --img-size 待推論圖片輸入模型的尺寸，如：640
   • --save_result 是否儲存圖片推論結果，如：True
   • --device 指定推論GPU的編號，如：0

模型訓練(train.py檔)

1. YOLO txt格式

   1.1 資料集下載

   • 下載datasets1：從coco128中擷取部分資料。

   • 將datasets1資料集解壓縮，並移到ScaledYOLOv4-yolov4-csp下的data資料夾內。

     

   1.2 下載預訓練模型yolov4-csp權重，並放到YOLOv4資料夾內。

   

   1.3 修改coco.yaml參數檔檔

   • train與val資料夾路徑。(編號1)
   • nc：dataset1中共有80個類別。(編號2)
   • names：字串格式輸入類別名稱。(編號3)

   

   1.4 修改coco.names

   • 模型訓練完成後，會讀取val資料集與coco.name進行驗證，並計算mAP。
   • dataset1中共有80個類別，換行輸入所有類別。

   

   1.5 修改models/yolov4-csp.cfg

   • classes：dataset1有80個類別，故第1029、1138、1247行需為80。

     

   • filters：dataset1有80個類別，filters=(類別數量+5)*3，故第1022、1131、1240行需為255。

     

   1.6 執行訓練：python train.py --batch-size 2 --img 640 640 --data coco.yaml --cfg models/yolov4-csp.cfg --weights yolov4-csp.weight --device 0 --name yolov4-csp --epochs 10 --notest

   • 訓練過程(若顯存低於8G，建議使用--notest，僅在最後一回合訓練結束後，執行test)

     

   • 訓練結果

     

   1.7 Demo測試：python detect.py --source data/samples --cfg models/yolov4-csp.cfg --weights runs/train/yolov4-csp2/weights/last.pt --conf 0.25 --img-size 640 --device 0

   • 推論過程

     

小結

下一站，我們前往「YOLOR本地端訓練(Windows)」，分享如何設置環境，並進行訓練與推論。

讓我們繼續看下去...

參考資料

1. WongKinYiu/ScaledYOLOv4