YOLOv4代码下载：https://github.com/AlexeyAB/darknet或者终端输入
git clone https://github.com/AlexeyAB/darknet.git其实怎么训练自己的模型在上面的网址中已经介绍的很清楚了，认真的一步步下来是肯定没问题的，下面的内容是其中的一部分，还有很多相关工作我没有去尝试，可以按照作者的介绍去试一试。我使用的数据集，链接: https://pan.baidu.com/s/1t-W8xC8xF4hxdYlm4R_HKw 提取码: hkty
运行YOLOv4需要安装一些库和工具，我装了opencv3.4.10及对应的contirb，cuda10.1,cudnn7.6。
下载后是一个darknet文件夹，找到Makefile文件，打开后先将前四行都置1，即GPU=1，CUDNN=1，CUDNN_HALF=1,OPENCV=1,然后修改ARCH后的参数和你的GPU有关，修改后的结果：
还有第64行NVCC的路径，需要根据实际路径填写，我改成NVCC=/usr/local/cuda-10.1/bin/nvcc ，不知道的直接ctrl+f查找nvcc,
然后修改第100行的cuda版本及位置，我修改为COMMON+= -DGPU -I/usr/local/cuda-10.1/include/
完成Makefile的修改后在终端输入以下命令：
cd darknet //进入目录
make -j8然后在浏览器输入网址https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights，下载的yolov4的预训练权重，放在darknet目录下，可以用这个权重来检验之前的操作是否成功。
在终端输入：
./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights然后输入图片路径，比如说
data/dog.jpg如果之前都正确的话会输出检测结果图，按键盘上任意按键关闭图片。
接下来开始训练自己的模型，首先下载预训练权重，地址：https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.conv.137
然后在cfg文件夹里找到yolov4-custom.cfg文件，将其复制到darknet目录下，重命名为yolov4-obg.cfg，然后打开，开始修改参数，主要修改四个参数+2x3个参数。
分别是batch表示每训练几个样本后修改权重,subdivisions将batch再细分，避免内存不够大出现out of memory错误,max_batches权重改变的最大次数，一般是类别数乘2000（最少6000）,step用于指定学习率调整时机，当max_batch等于step时调整学习率，filters输出特征图数量及classes类别数量。更详细的配置文件说明可以看这个。
由于我训练的螺栓螺母，仅两个类别，而且训练集一共100张图片，所以我的参数设置分别为batch=1，subdivisions=64，max_batches=6000，step=4800，5400。
filters和classes需要用ctrl+f搜索，直接搜yolo即可，总共要修改三个遍，filters=21，classes=2。filters的值等于（类别数+5）*3。
训练集可以放在data文件下，如果自己标定的话推荐使用作者提供的yolo_mark，这里不再多说，训练集的格式相当重要，一定要弄准确。需要注意，使用他的工具标定完后生成的train.txt文件路径包含x64，在训练的时候要注意其他文件的路径，不想新建x64文件夹的可以在将Yolo_mark中的x64目录下Release中的三个文件复制到Yolo_mark目录下，然后修改linux_mark.sh，第二行改为./yolo_mark data/img data/train.txt data/obj.names。这样训练集相关数据的都在data目录下，然后在终端输入./linux_mark.sh开始标定。
标定结束后将data文件夹放到darknet目录下，然后终端输入：
./darknet detector train data/obj.data yolov4-obj.cfg yolov4.conv.137训练时的截图：
基本上等loss降到0.5左右训练就差不多结束了，也可以等训练完6000次后自动结束。最终的权重保存在backup文件夹中，可以使用以下命令检测：
./darknet detector test data/obj.data yolov4-obj.cfg backup/yolov4-obj_final.weights 图片名.jpg//单张图片
./darknet detector demo data/obj.data yolov4-obj.cfg backup/yolov4-obj_final.weights 视频名.mp4 //检测视频
然后输入相应图片名称即可，我的检测结果如下，左上角的计数和标签置信度是我自己加进去：
