简体中文 | English

YOLOv4 模型

内容

• 简介
• 网络结构和特点
• 训练技巧
• 如何使用

简介

YOLOv4在网络结构层面和YOLOv3没有太大改变。只是骨干网络由CSPDarknet53替代了原始的Darknet53，同时引入SPP和PAN思想进行不同尺度的特征融合。

• 提出了一种高效而强大的目标检测模型。它使每个人都可以使用1080 Ti或2080 Ti GPU 训练超快速和准确的目标检测器。
• 验证了很多近几年 SOTA 的深度学习目标检测训练技巧。
• 修改了很多 SOTA 的方法， 让它们对单GPU训练更加高效，例如 CBN，PAN，SAM等

网络结构和特点

网络结构

网络细节

采用Netron可视化YOLOv4模型结构 点击【这里】查看细节

YOLOv4特点：

• 骨干网络: CSPDarknet53
• Mish activation
• FPN+PAN结构
• DIoU Loss
• Spatial Pyramid Pooling
• Mosaic
• Label Smooth
• SAM(Spartial Attention Module)

训练技巧

• 指数移动平均
• 预热
• 梯度剪切
• 梯度累计更新
• 多尺度训练
• 学习率调整：Consine
• Label Smooth
• 有关正负样本划分定义，在实际实验对比发现采用YOLOv5正负样本划分定义和损失函数定义，能使模型收敛速度更快，超过原YOLO系列对正负样本的划分和损失定义。对于如果卡资源不充足，想在短时间内收敛模型，可采用yolov5的正负样本划分和损失函数定义，收敛模型。默认是采用YOLOv5的方式，相关参数为yolo_loss_type=yolov5，具体细节可参考YOLOv5章节说明。设置为None或yolov4将采用原始YOLO系列损失函数。

如何使用

准备

自行准备训练需要的数据集，指定需要训练的数据位置，具体操作请查看【这里】有关数据集准备。 找到yolov4的配置文件，修改如下部分内容

data = dict(  
  batch_size=64,  #累计批次大小，框架会到累计到该批次大小后累计更新梯度
  subdivisions=8,  #分批次数量，实际批次大小为batch_size/subdivisions,视你自己的机器配置修改该值大小。如果显存充足该值可设置小一些，如果显存不足，该值可设置大一些。
  workers_per_gpu=2,  #dataloader加载数据工作线程数量
  train=dict(  
        type='Custom',  
  data_root=r'xxxx',  #训练数据根目录
  ann_file=r'annotations/train.txt', #标签文件位置，相对路径。data_root+ann_file
  img_prefix='images', #图片存放路径目录，相对路径。  data_root+img_prefix
  name_file='annotations/label.names', #标签索引对应名称 
  pipeline=train_pipeline  
    ),  
  val=dict(  
        type='Custom',  
  data_root=r'xxxx',  #同上
  ann_file=r'annotations/val.txt',  #同上
  img_prefix='images',  #同上
  name_file='annotations/label.names',  #同上
  pipeline=val_pipeline  
    ),  
  test=dict(  
        type='Custom',  
  data_root=r'xxx',  #同上
  ann_file=r'annotations/test.txt',  #同上
  img_prefix='images',  #同上
  name_file='annotations/label.names',  #同上
  pipeline=test_pipeline  
    )  
)

使用GPU训练

python tools/train.py ${CONFIG_FILE}

如果您想在命令中指定工作目录，可以添加一个参数--work_dir ${YOUR_WORK_DIR}。 例如采用YOLOv4训练模型:

python tools/train.py cfg/yolov4_coco_100e.py --device ${device} --validate

使用指定gpu训练

python tools/train.py ${CONFIG_FILE} --device ${device} [optional arguments]

例如采用YOLOv4训练模型:

python tools/train.py cfg/yolov4_coco_100e.py --device 0,1,2 --validate

可选参数:

• --validate(强烈建议):在训练epoch期间每一次k(默认值是1，可以像这样修改this)来执行评估。

• --work_dir ${WORK_DIR}:覆盖配置文件中指定的工作目录。

• --device ${device}: 指定device训练, 0 or 0,1,2,3 or cpu，默认全部使用。

• --resume_from ${CHECKPOINT_FILE}:从以前训练的checkpoints文件恢复训练。

• --multi-scale:多尺度缩放，尺寸范围为训练图片尺寸+/- 50%

resume_from 和load_from的不同:

resume_from加载模型权重和优化器状态，并且训练也从指定的检查点继续训练。它通常用于恢复意外中断的训练。 load_from只加载模型权重，并且训练从epoch 0开始。它通常用于微调。