构建YOLOv4容器应用在自定义数据集上

构建YOLOv4容器

编写Dockerfile

FROM nvidia/cuda:10.0-cudnn7-devel-ubuntu18.04
LABEL maintainer="wang-junjian@qq.com"

#auto install tzdata(opencv depend)
ENV DEBIAN_FRONTEND=noninteractive

RUN apt-get update && apt-get install -y \
    git wget nano \
    libopencv-dev python3-opencv \
    && rm -rf /var/lib/apt/lists/*

#set your localtime
RUN ln -fs /usr/share/zoneinfo/Asia/Shanghai /etc/localtime

WORKDIR /
RUN git clone https://github.com/AlexeyAB/darknet.git

WORKDIR /darknet

#pre-trained weights-file for training
RUN wget https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.conv.137

#build darknet for GPU
RUN make GPU=1 CUDNN=1 CUDNN_HALF=1 OPENCV=1 LIBSO=1 && rm -rf obj

EXPOSE 8090

ENTRYPOINT ["bash"]

构建容器

docker build -t darknet:latest-gpu-yolov4 .

创建工程

工程目录结构

├── yolov4.conv.137　　　　　　  预训练模型
├── darknet
└── project   　　　　　　　　　　工程目录
  ├── backup　　　　　　　　　　存储模型训练时权重值
  ├── cfg　　　　　　　　　　　　配置目录
  │   ├── train.txt　　　　　　存储用于训练的图像路径
  │   ├── valid.txt　　　　　　存储用于验证的图像路径
  │   ├── voc.data　　　　　　 配置文件
  │   ├── voc.names　　　　　　标签名
  │   └── yolov4.cfg　　　　　 YOLOv4神经网络文件
  ├── data
  │   └── labels　　　　　　　　预测时用于显示标签名字
  │       ├── 100_0.png
  │       ├── 100_1.png
  │       ├── ......
  │       └── make_labels.py
  ├── predictions　　　　　　　 预测后的图像
  │   └── IMG_9256.jpg
  ├── test　　　　　　　 测试图像
  │   └── IMG_9256.jpg
  ├── weights
  │   └── yolov4_final.weights 训练出来的模型
  └── images　　　　　　　　　　　  图像样本集
      ├── IMG_9255.JPG
      ├── IMG_9255.txt
      ├── IMG_9263.JPG
      ├── IMG_9263.txt
      ├── IMG_9266.JPG
      ├── IMG_9266.txt
      ├── IMG_9280.JPG
      └── IMG_9280.txt

训练的样本：train.txt

images/IMG_9255.JPG
images/IMG_9266.JPG
images/IMG_9280.JPG

验证的样本：valid.txt
```
images/IMG_9263.JPG
```
标注类型：voc.names
```
close
open
```

配置文件：voc.data

classes= 2
train  = cfg/train.txt
valid  = cfg/valid.txt
names = cfg/voc.names
backup = weights

修改YOLO神经网络文件：yolov4.cfg

2行：batch=8
3行：subdivisions=8
5行：width=512
6行：height=512
#上面几行的修改主要是为了在GTX1060 6G的显卡上能够运行

19行：max_batches=2000

961行：filters=21    #(classes + 5)*3
968行：classes=2
1049行：filters=21
1056行：classes=2
1137行：filters=21
1144行：classes=2

使用LabelImg标注图像样本集

#python3 labelImg.py [图像目录] [标注名字文件] [标注目录]
python3 labelImg.py project/yolos/ project/cfg/yolo.names

在容器中运行YOLOv4

#设置工程目录的环境变量
project_dir=""
docker run --runtime=nvidia -it --name=darknet-yolov4 --volume=$project_dir:/darknet/project -p 8090:8090 darknet:latest-gpu-yolov4

#使用本机的时区替换容器内的时区
docker run --runtime=nvidia -it --name=darknet-yolov4 --volume=/etc/localtime:/etc/localtime:ro　--volume=$project_dir:/darknet/project -p 8090:8090 darknet:latest-gpu-yolov4

训练

mjpeg_port 训练过程可视化，通过访问http://127.0.0.1:8090/查看。

cd project
../darknet detector train cfg/voc.data cfg/yolov4.cfg ../yolov4.conv.137 -mjpeg_port 8090 -map -dont_show

预测

thresh 设置阈值

../darknet detector test cfg/voc.data cfg/yolov4.cfg weights/yolov4_final.weights test/IMG_9256.JPG
../darknet detector test cfg/voc.data cfg/yolov4.cfg weights/yolov4_final.weights test/IMG_9256.JPG -thresh 0.5

目录

构建YOLOv4容器

创建工程

在容器中运行YOLOv4

训练

预测

参考资料