环境
Ubuntu 16.04
Python3.5
cuda 9
首先把代码下载下来，可以用下面命令下载，也可以直接点击上面代码链接下载。
git clone https://github.com/AlexeyAB/darknet.git
1
1.编译
如果需要使用GPU加速，那么得打开项目里面的makefile文件修改一些参数的值。修改完成之后在直接make。
GPU=1
CUDNN=1
CUDNN_HALF=1
OPENCV=1
OPENMP=1
LIBSO=1
DEBUG=1
# cd到darknet-master目录下
make
或者 make -j8
2.测试一下开源权重
# 测试图片，结果保存在darknet-master/predictions.jpg
./darknet detect cfg/yolov4.cfg yolov4.weights data/dog.jpg
3.准备自己要训练的数据集，以voc数据集的格式存放
先按照上面格式准备好数据
Annotations是存放标签xml文件
JPEGImage 存放图片
ImageSets 里面txt按行存放着图片名字
如
000001
000002
000003…
4.制作yolov4需要的label以及txt
这个时候只用voc数据集的格式是不满足我们这里需要的格式。首先打开路径下 build/darknet/x64/data/voc/voc_label.py，修改voc_label.py里面的内容。
先把7行的关于2012的去掉，再把第9行改成自己的类别。
接着给每个路径前面加个data,如下图
修改完了之后在主目录darknet-master下执行voc_label.py，否则哪些文件会生成在build/darknet/x64/data下面，执行完成后你会看到主目录下的data/目录下会生成几个txt。主目录darknet-master下的data/VOCdevkit/VOC2007/下面会生成一个label文件夹。
5.修改配置文件
<a.>cfg/目录下复制coco.data，并且重命名为obj.data。然后使用修改下面以下内容
<b.>cfg/目录下复制coco.names，并且重命名为obj.names。改成自己类别的名称
<c.>复制cfg/yolov4-custom.cfg，并且重命名为yolo-obj.cfg，同时修改一下内容
上图中修改width和height为416，修改最大batch迭代多少个数max_batches = 6000，修改steps多久学习率下降一次，一般设置为batch个数的80%和90%。
然后三个classes的地方要修改
还有三个filters=255的地方要修改成自己的。
6.开始训练自己的数据集
./darknet detector train cfg/obj.data cfg/yolo-obj.cfg yolov4.conv.137
如若报错这个错误，则将cfg/yolo-obj.cfg 里面26行mosaic=1改成mosaic=0或者注释掉。没报错就忽略。
7.预测
./darknet detector test cfg/obj.data cfg/yolo-obj.cfg yolo-obj_xxxx.weights
预测效果如图，yolov4果然强，这是我用了1000张图训练了3000个epoch训练得到的权重效果
备注：上面的测试命令是基于编译出来的darknet来预测的，当我们工程中要用的的时候及其不方便，但是可以用以这个代码来使用模型。
8.用自己训练的权重作为预训练
有时候训练到一半突然终止了，这时候从头开始训练又很费时间，此时我们可以将自己之前保存的权重作为预训练权重。但是直接使用yolo-obj_last.weights会报错。需要做出如下转变。
#首先用第一行代码将yolo-obj_last.weights转化为olo-obj_last.conv.23
./darknet partial cfg/yolo-obj.cfg backup/yolo-obj_last.weights backup/yolo-obj_last.conv.23 23
#第二行将我们刚转化好的yolo-obj_last.conv.23作为预训练权重训练
./darknet detector train cfg/obj.data cfg/yolo-obj.cfg backup/yolo-obj_last.conv.23
