Pytorch-yolov4做目标检测详细教程

**Pytorch-yolov4做目标检测详细教程**

• 一. 项目环境
• 二.项目连接
• 三.项目搭建

• 3.1 数据准备
• 3.2 搭建流程

• 四.源码分析
• 五.参考文章

一. 项目环境

以下是我工程的环境（基于ubuntu18.04）：

环境	版本
python	3.6
pytorch	1.5.0

注释：环境主要是pytorch环境，而且库很好安装，缺少什么库就安装什么库，这个很简单；

二.项目连接

论文连接：https://arxiv.org/abs/2004.10934
项目连接：https://github.com/Tianxiaomo/pytorch-YOLOv4

三.项目搭建

3.1 数据准备

3.1.1准备coco数据集下载：

coco数据集地址下载方法一：
 train2017：http://images.cocodataset.org/zips/train2017.zip
 val2017：http://images.cocodataset.org/zips/val2017.zip
 test2017：http://images.cocodataset.org/zips/test2017.zip
 trainval2017：http://images.cocodataset.org/annotations/annotations_trainval2017.zip
 trainval2017：http://images.cocodataset.org/annotations/stuff_annotations_trainval2017.zip
 image_info_test2017：http://images.cocodataset.org/annotations/image_info_test2017.zipcoco数据集地址百度云下载方法二：
 链接: https://pan.baidu.com/s/1XrRHtRIHu5Jp5j4Rv_-vXA 密码: cw0l

数据目录图片展示：

3.1.2数据增强和路径配置：

注释：数据增强和筛选很重要，后期我会专门讲解这块。

路径配置在cfg.py(P53).注意要把coco数据集生成train.txt/val.txt文件，内容格式如下：

image_path1 x1,y1,x2,y2,id x1,y1,x2,y2,id x1,y1,x2,y2,id …

image_path2 x1,y1,x2,y2,id x1,y1,x2,y2,id x1,y1,x2,y2,id …

3.2 搭建流程

3.2.1搭建流程：
github下载源码并把环境配置配置好，用pycharm打开。train.py参数配置好就可以运行，太简单了/haha.jpg/。然后可以单步调试就行了。具体函数在源码分析里面详细讲解。

四.源码分析

4.1.1代码目录：

4.2.1代码流程：

2. 前期准备：
   1》论文熟悉了，通读两遍。
   2》yolov4主要是借鉴其他有些的技巧，平衡了精度和速度，主要围绕Bag of freebies和 Bag of spedials来写；在这里推荐几个优秀的博客。参考：
   睿智的目标检测30——Pytorch搭建YoloV4目标检测平台深入浅出Yolo系列之Yolov3&Yolov4核心基础知识完整讲解
   3》Yolov4结构：



3. 
   2.代码熟悉：
   1》大致流程图如下：
   其实我主要关注最后的输出和损失函数处理，前面的BackBone也就是特征提取，不用的方法提取的特征有好有坏，现 在也有很多优秀的提取特征的方法，大家可以研究怎么才能更好的提取特征，说不定还能发个论文。
   最后经过FPN和PAN后的输出[19 * 19* 255] [38* 38* 255][76* 76* 255].也就是三个yolo层的输出，256 = 3(每层的anchors个数)*【1(目标置信度)+4(四个坐标)+80(类别)】

五.参考文章

[1.] 睿智的目标检测30——Pytorch搭建YoloV4目标检测平台