環境安裝步驟:
1.顯卡驅動 nvidia-driver（也叫做 cuda driver）：英伟达GPU驱动，命令：nvidia-smi
2.Anaconda：（或者用阉割版的miniconda）用于创建虚拟环境
3.python(使用 conda create -n 建立虛擬環境名稱 python=3.8指定版本)
4.pytorch
已經使用 pytorch 就不要另外再安裝 cunn
pip install torch==1.12.1+cu102 torchvision==0.13.1+cu102 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu102
5.pip install opencv-python==4.5.3.56 (太新會無法支援)
6.pip install jupyter notebook(最後放棄了也可以不用裝，Debug能力沒有 VSCode好，改用VSCode 遠端 Debug，但是VSCode 已棄用Python3.6，至少3.7，改使用3.8)
7.開始訓練
跑YOLO code需要的套件包
pip3 install -r requirements.txt


要看YOLO支援的python版本到多少，這關係到全部的安裝
大多都會寫在 requirements.txt 裡面就可以看出大概使用的版本
torch == 1.6 => 最低Python 3.6 ~ 3.8
先看 torch到多少，得到 Python版本後，查詢 PyTorch 支援的 Python版本可用到哪個版本和CUDA的版本
決定好 CUDA版本(最後選擇 CUDA 10.2，Python是3.6)，採用 pip安裝
此外多數的YOLO project都會使用到 OpenCV來處理影像，所以這個版本就要看 Python決定使用的版本是多少，也要搭配
不過OpenCV可以先在隔離的環境下安裝好，這樣再跑 requirements.txt 比較不會出錯
最後編譯YOLO code的 requirements.txt 會在另外指定要安裝的 torch版本和 numpy等等版本 先不改，先能夠編譯成功在說。

[http://10.1.21.196:3000/YOLO_Developer/YOLOv4-Tiny_Data/data/]  
即為標籤圖檔(標註資料)時，標出來需要偵測的物件們(name class)  
其中還可以分出驗證集 20%~30%，驗證用的圖檔，可以在透過標籤工具後另使用不同文字檔分開，
跑 lableImgML2txt.py 將obj.img 取出全部檔案數量後，取20%、80%的比例(Sample img 的話就可以不用執行，有新的訓練集照片才要重跑)  
(trainval_files, test_files = train_test_split(image_ids, test_size=0.2, random_state=55) 表示將 20% 的資料分配給驗證集)  
即分成 train.txt 和 valid.txt  
obj.names	標籤類別名稱(自己生成，可從 lableImg 處理完的 classes.txt另存)  
obj.data	定義訓練集圖檔路徑和生成文字路徑，最好使用絕對路徑來避免誤會(自己生成)  

統一用路徑為(原本COCO Set的架構)改成自備好 data/img、data/obj.data、data/obj.names後由程式處理(跑 lableImgML2txt.py)  
data/img	訓練用圖檔和標籤完成的圖檔資料夾(會有圖檔和ML格式json)	若是壹傳圖檔格式，則要透過 ConvertEtroIMG2SingleID.py   先統一圖檔ID(.jpg)和.json的命名  
data/obj.data	定義訓練集圖檔路徑和生成文字路徑  
data/obj.names	標籤類別名稱  
data/train.txt	訓練集文字檔，改成 Tianxiaomo/pytorch-YOLOv4 PyTorch版本(跑 lableImgML2txt.py) Pascal VOC 格式  
data/valid.txt	驗證集文字檔，改成 Tianxiaomo/pytorch-YOLOv4 PyTorch版本(跑 lableImgML2txt.py) Pascal VOC 格式  

訓練完成的權重檔，之後測試(偵測)各圖檔需要使用的engine  
通常 yolo裡的 .weights(例如: yolov4.weights) 僅供測試darknet用，後續自定義訓練用不到。  

和 weights作用一樣，也可從 weights做轉換變成 pytorch版本  

xxx.conv.數字	自定義預訓練權重檔，也叫做[預訓模型]，自定義訓練使用的  
從官網  
https://github.com/AlexeyAB/  Darknet#how-to-train-tiny-yolo-to-detect-your-custom-objects  
How to train (to detect your custom objects)  
下載自定義預訓練權重檔  
cfg/yolov4-custom.cfg	yolov4.conv.137(yolov4的)  
cfg/yolov4-tiny-custom.cfg	yolov4.conv.29(yolov4-tiny的)  
如果想換成Yolov4或其它系列模型進行訓練，請要修改對應的預訓練檔及修改config檔案裡的 filters  
So if classes=1 then should be filters=18. If classes=2 then write filters=21. (Do not write in the cfg-file: filters=(classes + 5)x3)  

Cfg.classes_path = 'data/obj.names'
Cfg.model_path = 'weight/yolov4-tiny.pth'
Cfg.Unfreeze_batch_size = 2
Cfg.train_label = os.path.join(_BASE_DIR, 'data', 'train.txt')
Cfg.val_label = os.path.join(_BASE_DIR, 'data' ,'valid.txt')

使用權重檔來測試圖片
Cfg.predict_model_path = 'checkpoints/last_epoch_weights.pth' 調整要使用的權重 last_epoch_weights.pth 或是 best_epoch_weights.pth
代入 測試圖檔路徑"./data/test1.jpg"
=> python predict.py "./data/test1.jpg"


開始訓練自定義模型
不用參數，有調整從 cfg.py 讀出設定的參數
=> python train.py


將標籤好的圖檔，生成訓練集和驗證集(80%、20%的比例)
自動跑完生成檔案 /data/train.txt 和 /data/valid.txt
使用一致，帶入4個參數 -dir", "/data/img", "-clasessname", "/data/obj.names
=> python lableImgML2txt.py -dir /data/img -clasessname /data/obj.names


將 Etro產品的圖檔命名規則改至單一檔案上，用檔名來當作唯一值，才能夠提供給圖檔 index
"壹傳格式的圖檔資料夾(年/月/日/車格名稱/車格名稱_時間_第幾張.jpg)", "要存儲的路徑資料夾", "在轉換完成之後是否刪除來源圖檔"
=> python ConvertEtroIMG2SingleID.py "C:\Users\Administrator\Desktop\IMG\SL100\停管\錦洲街-民權東路\2024\03\01\1正常(分類)" "C:\Users\Administrator\Desktop\IMG\SL100\停管\錦洲街-民權東路\1正常(編號)" "1"

修改程式碼中的<input_dir>資料夾路徑後，直接執行就會轉換了
input_dir = r"R:\FTP\大安\1正常"
=> python MLjson2YOLOtxt.py

1. 仓库更新 Top News
2. 相关仓库 Related code
3. 性能情况 Performance
4. 所需环境 Environment
5. 文件下载 Download
6. 训练步骤 How2train
7. 预测步骤 How2predict
8. 评估步骤 How2eval
9. 参考资料 Reference

2022-04:支持多GPU训练，新增各个种类目标数量计算，新增heatmap。

2022-03:进行了大幅度的更新，修改了loss组成，使得分类、目标、回归loss的比例合适、支持step、cos学习率下降法、支持adam、sgd优化器选择、支持学习率根据batch_size自适应调整、新增图片裁剪。 BiliBili视频中的原仓库地址为：https://github.com/bubbliiiing/yolov4-tiny-pytorch/tree/bilibili

2021-10:进行了大幅度的更新，增加了大量注释、增加了大量可调整参数、对代码的组成模块进行修改、增加fps、视频预测、批量预测等功能。

torch==1.2.0

训练所需的各类权值均可在百度网盘中下载。
链接: https://pan.baidu.com/s/1ABR6lOd0_cs5_2DORrMSRw
提取码: iauv

VOC数据集下载地址如下，里面已经包括了训练集、测试集、验证集（与测试集一样），无需再次划分：
链接: https://pan.baidu.com/s/19Mw2u_df_nBzsC2lg20fQA
提取码: j5ge

1. 数据集的准备
   本文使用VOC格式进行训练，训练前需要下载好VOC07+12的数据集，解压后放在根目录

2. 数据集的处理
   修改voc_annotation.py里面的annotation_mode=2，运行voc_annotation.py生成根目录下的2007_train.txt和2007_val.txt。

3. 开始网络训练
   train.py的默认参数用于训练VOC数据集，直接运行train.py即可开始训练。

4. 训练结果预测
   训练结果预测需要用到两个文件，分别是yolo.py和predict.py。我们首先需要去yolo.py里面修改model_path以及classes_path，这两个参数必须要修改。
   model_path指向训练好的权值文件，在logs文件夹里。
   classes_path指向检测类别所对应的txt。
   完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测。

1. 数据集的准备
   本文使用VOC格式进行训练，训练前需要自己制作好数据集，
   训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
   训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。

2. 数据集的处理
   在完成数据集的摆放之后，我们需要利用voc_annotation.py获得训练用的2007_train.txt和2007_val.txt。
   修改voc_annotation.py里面的参数。第一次训练可以仅修改classes_path，classes_path用于指向检测类别所对应的txt。
   训练自己的数据集时，可以自己建立一个cls_classes.txt，里面写自己所需要区分的类别。
   model_data/cls_classes.txt文件内容为：

cat
dog
...

修改voc_annotation.py中的classes_path，使其对应cls_classes.txt，并运行voc_annotation.py。

3. 开始网络训练
   训练的参数较多，均在train.py中，大家可以在下载库后仔细看注释，其中最重要的部分依然是train.py里的classes_path。
   classes_path用于指向检测类别所对应的txt，这个txt和voc_annotation.py里面的txt一样！训练自己的数据集必须要修改！
   修改完classes_path后就可以运行train.py开始训练了，在训练多个epoch后，权值会生成在logs文件夹中。

4. 训练结果预测
   训练结果预测需要用到两个文件，分别是yolo.py和predict.py。在yolo.py里面修改model_path以及classes_path。
   model_path指向训练好的权值文件，在logs文件夹里。
   classes_path指向检测类别所对应的txt。
   完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测。

1. 下载完库后解压，在百度网盘下载yolo_weights.pth，放入model_data，运行predict.py，输入

img/street.jpg

2. 在predict.py里面进行设置可以进行fps测试和video视频检测。

1. 按照训练步骤训练。
2. 在yolo.py文件里面，在如下部分修改model_path和classes_path使其对应训练好的文件；model_path对应logs文件夹下面的权值文件，classes_path是model_path对应分的类。

_defaults = {
    #--------------------------------------------------------------------------#
    #   使用自己训练好的模型进行预测一定要修改model_path和classes_path！
    #   model_path指向logs文件夹下的权值文件，classes_path指向model_data下的txt
    #   如果出现shape不匹配，同时要注意训练时的model_path和classes_path参数的修改
    #--------------------------------------------------------------------------#
    "model_path"        : 'model_data/yolov4_tiny_weights_coco.pth',
    "classes_path"      : 'model_data/coco_classes.txt',
    #---------------------------------------------------------------------#
    #   anchors_path代表先验框对应的txt文件，一般不修改。
    #   anchors_mask用于帮助代码找到对应的先验框，一般不修改。
    #---------------------------------------------------------------------#
    "anchors_path"      : 'model_data/yolo_anchors.txt',
    "anchors_mask"      : [[3,4,5], [1,2,3]],
    #-------------------------------#
    #   所使用的注意力机制的类型
    #   phi = 0为不使用注意力机制
    #   phi = 1为SE
    #   phi = 2为CBAM
    #   phi = 3为ECA
    #-------------------------------#
    "phi"               : 0,  
    #---------------------------------------------------------------------#
    #   输入图片的大小，必须为32的倍数。
    #---------------------------------------------------------------------#
    "input_shape"       : [416, 416],
    #---------------------------------------------------------------------#
    #   只有得分大于置信度的预测框会被保留下来
    #---------------------------------------------------------------------#
    "confidence"        : 0.5,
    #---------------------------------------------------------------------#
    #   非极大抑制所用到的nms_iou大小
    #---------------------------------------------------------------------#
    "nms_iou"           : 0.3,
    #---------------------------------------------------------------------#
    #   该变量用于控制是否使用letterbox_image对输入图像进行不失真的resize，
    #   在多次测试后，发现关闭letterbox_image直接resize的效果更好
    #---------------------------------------------------------------------#
    "letterbox_image"   : False,
    #-------------------------------#
    #   是否使用Cuda
    #   没有GPU可以设置成False
    #-------------------------------#
    "cuda"              : True,
}

3. 运行predict.py，输入

img/street.jpg

4. 在predict.py里面进行设置可以进行fps测试和video视频检测。

1. 本文使用VOC格式进行评估。VOC07+12已经划分好了测试集，无需利用voc_annotation.py生成ImageSets文件夹下的txt。
2. 在yolo.py里面修改model_path以及classes_path。model_path指向训练好的权值文件，在logs文件夹里。classes_path指向检测类别所对应的txt。
3. 运行get_map.py即可获得评估结果，评估结果会保存在map_out文件夹中。

1. 本文使用VOC格式进行评估。
2. 如果在训练前已经运行过voc_annotation.py文件，代码会自动将数据集划分成训练集、验证集和测试集。如果想要修改测试集的比例，可以修改voc_annotation.py文件下的trainval_percent。trainval_percent用于指定(训练集+验证集)与测试集的比例，默认情况下 (训练集+验证集):测试集 = 9:1。train_percent用于指定(训练集+验证集)中训练集与验证集的比例，默认情况下 训练集:验证集 = 9:1。
3. 利用voc_annotation.py划分测试集后，前往get_map.py文件修改classes_path，classes_path用于指向检测类别所对应的txt，这个txt和训练时的txt一样。评估自己的数据集必须要修改。
4. 在yolo.py里面修改model_path以及classes_path。model_path指向训练好的权值文件，在logs文件夹里。classes_path指向检测类别所对应的txt。
5. 运行get_map.py即可获得评估结果，评估结果会保存在map_out文件夹中。

https://github.com/qqwweee/keras-yolo3/
https://github.com/Cartucho/mAP
https://github.com/Ma-Dan/keras-yolo4