你將識訓
掌握Windows系統基于深度學習的目標檢測訓練自己的資料集方法
掌握labelImg影像標注方法
掌握YOLOv4資料集整理方法
掌握YOLOv4訓練、測驗、性能統計方法
掌握訓練好的網路模型在前端軟體的測驗與應用
掌握前端軟體把檢測結果傳給PLC或機器人的通訊方法
適用人群
對人工智能機器視覺與對YOLOv4目標檢測感興趣的朋友們和從業者
軟體環境：
Windows7或10 x64; cuda 10.2; cudnn7.6.5; Python3.7; VisualStudio2019; OpenCV4.3;MVS;智能AI影像檢測系統
YOLOv4來了！速度和精度雙提升！
與 YOLOv3 相比，新版本的 AP (精度)和 FPS （每秒幀率）分別提高了 10% 和 12%，
YOLOv4不僅識別目標效果出眾，而且在缺陷檢測方面也有獨到之處，本人剛好有個磁塊的缺口裂縫缺陷的檢測專案，本著試試看的想法用，學習一下YOLOv4，結果效果出奇的好，解決傳統視覺無法解決的背景干擾與誤判問題，現在把整個專案實施方法記錄一下供大家參考，并把推理部分做成app可執行檔案，供大家評鑒，歡迎交流溝通，
YOLO系列是基于深度學習的端到端實時目標檢測方法，本文將手把手地教大家使用labelImg標注和使用YOLOv4訓練自己的資料集，
本文的YOLOv4訓練軟體使用AlexyAB/darknet的原版軟體在OpenCV4.3和VisualStudio2019編譯出來（末尾提供以編譯好軟體，不會編譯的朋友可以直接用，下一步開發一個更友好的軟體給大家，敬請關注），在Windows系統上做專案演示，包括：安裝軟體環境、安裝YOLOv4、標注自己的資料集、整理自己的資料集、修改組態檔、訓練自己的資料集、安裝前端推理軟體，測驗訓練出的網路模型、邏輯判斷、檢測結果與PLC輸出，
本文的前端推理軟體采用VisualStudio2015開發; 集成了OpenCV4.4及多種機器視覺演算法與sql資料庫、modbus、三菱mc協議、http等通訊功能，可以在免GPU下運行，i5處理器速度在100ms以內，基本可以滿足實時性的要求，
安裝軟體環境
找一臺獨立顯卡的主機，我的配置是windows10 64bit I5 8G，GeForce 1650S 4G顯存（這里訓練YOLOv4 Tiny就夠了，訓練YOLOv4標準版方法相同，顯存要8G以上），
安裝cuda10.2，下載地址CUDA Toolkit 10.2 Download | NVIDIA Developer
安裝后可以打開nvidia的控制面板的系統資訊，如下
解壓縮本文附件中下載的訓練開發包（根據AlexyAB/darknet的原版軟體在OpenCV4.3和VisualStudio2019編譯出來）到本地電腦中，路徑保持和我電腦一樣，
把自己要訓練的圖片集復制到darknet-master-V4\VOCdevkit\VOC2009\JPEGImages中，圖片需要彩色圖片，附件里已經有一份磁鐵缺陷的資料集，
給圖片標記缺陷位置和型別：打開LabelImg軟體（附件中可以下載）
在LabelImg中點擊“Open Dir”打開資料集圖片所在的檔案夾為darknet-master-V4\VOCdevkit\VOC2009\JPEGImages，如下圖
在LabelImg中點擊“Change Save Dir”按鈕，選擇保存標簽資料的路徑為E:\ylhwork\pycharm\darknet-master-V4\VOCdevkit\VOC2009\Annotations，如下圖
配置好路徑后，就可以開始標記了，軟體的右下角會目錄下的圖片串列，點擊軟體左側的 左右箭頭可以切換下一張圖片查看標記，軟體左下角按鈕可以添加編輯標記，
標簽名字暫時只能用中文，標簽的名字要記住，后面還要用，本專案定義了三類標簽，名字分別為rip、gap、label，如圖
有缺陷的要標記，沒有缺陷的圖片或者不想訓練的圖片，不用標記，把所有圖片都標記完后，進行下一步轉化作業
標記好的圖片和標記資料轉化成可訓練模式都放在一個python腳本里，需要先裝一個python程式（下一步我會開發一個更友好的軟體，敬請關注），本文附件提供下載，在安裝完python的電腦里，用文本編輯器打開E:/ylhwork/pycharm/darknet-master-V4/VOCdevkit/VOC2009/helmet-label.py，編輯classes的內容要與標記的名字和數量一樣
運行python的腳本程式：python.exe E:/ylhwork/pycharm/darknet-master-V4/VOCdevkit/VOC2009/helmet-label.py，或者在python的IDE里點擊run
如果運行成功的話，標記的作業就完成了，在E:\ylhwork\pycharm\darknet-master-V4\VOCdevkit\VOC2009\labels檔案夾下會出現轉化好的檔案
離最后訓練的作業只需要最后2步了，編輯組態檔：在\darknet-master-V4\build\darknet\x64\cfg下，復制一個yolov4-tiny-xxx-train.cfg作為你的組態檔，搜索[yolo]關鍵字附近，修改classes的實際數量和filters的數量為（3*classes+5），如下圖
修改分類名稱： 在\darknet-master-V4\build\darknet\x64\data下開打names檔案進行編輯，內容和次序要和python腳本里的名稱一致
修改data檔案：darknet-master-V4\build\darknet\x64\data下復制一個data檔案，檢查圖片路徑、names路徑等是否與前面設定一致
所有配置資訊保存好后，為訓練命令建一條命令腳本yolov4_tiny_train_magnate.cmd；訓練命令格式為：
darknet.exe detector train data/magnate.data cfg/yolov4-tiny-magnate-train.cfg yolov4-tiny.conv.29 -gups 0,1,2,3
所有預備作業都做完了，點擊yolov4_tiny_train_magnate.cmd檔案，軟體開始執行訓練命令，正常會顯示一張圖表界面和一個不斷重繪資料的命令列界面
如果有問題，幾分鐘內就會報錯，一般的錯誤主要是檔案找不到或者記憶體不夠等，請仔細檢查以上步驟的所有檔案名和路徑，如果是記憶體不夠，可以修改cfg組態檔中前幾行中的
batch和subdivisions的數字后，再試，
如果資料一直在重繪，恭喜你成功了，一般訓練需要幾個小時（看主機配置），我一般讓他跑一晚上，明天早上來看，請保證硬碟有2G以上空余空間，幾個小時后，比較完美的表格圖片樣子應該是不斷收斂的曲線，如下圖
查看訓練出來的模型檔案：\darknet-master-V4\build\darknet\x64\backup下會有多問weights檔案，一般最后一個是最好的
訓練結束了，現在可以測驗訓練結果了，復制一份剛才訓練的cfg組態檔yolov4-tiny-magnate-train.cfg為yolov4-tiny-magnate-test.cfg，修改3，4，6，7行后保存
保存yolov4-tiny-magnate-test.cfg，magnate.names和yolov4-tiny-magnate-train_last.weights三個檔案備用，
現在用編譯好的前端可執行軟體來測驗訓練效果（可以在無GPU電腦中運行），下載程式后依次安裝VC運行庫，MVS驅動和應用程式
雙擊智能AI影像軟體中exe可執行檔案，打開前端軟體，如果提示缺少dll檔案，可能是你沒有安裝vc運行庫或mvs驅動庫，請先安裝前兩步
打開軟體進入主界面后，點擊切換到設定模式，先添加測驗影像來源，我們先選擇檔案影像測驗，測驗ok后，可以把檔案改成相機影像
在檔案影像工具里，我們選擇檔案路徑模式，把訓練時的檔案夾路徑添加進來后
點確定回到設定界面時，再點擊工具追加按鈕，添加一個深度識別工具，點擊追加
在深度識別工具里，添加剛才yolov4-tiny-magnate-test.cfg，magnate.names和yolov4-tiny-magnate-train_last.weights路徑到設定界面中
在標簽設定界面里，設定每個標簽對應的現實名，我們喜歡修改成中文名，點擊執行檢測按鈕，可以參考執行效果
點擊確定后，回到設定主界面，點擊運行按鈕可以測驗執行效果，我們再添加OK/NG判斷邏輯，在設定主界面點擊IO按鈕，添加CCD判定條件和綜合判定條件
點擊確定按鈕，回到設定主界面，點擊運行按鈕，測驗整體運行效果
測驗效果OK后，保存整個專案檔案到硬碟中，可以下次或在實際專案中用
總結：
訓練后的模型在前端推理軟體里，在純i5以上CPU下，識別時間小于100ms，在gpu環境下識別時間小于10ms，肉眼可見的缺陷99%都識別出來，取得了比較的好的檢測效果，本前端軟體稍作修改后，即可用于實際專案中，
不足：
目前訓練環境目前還不夠優化，下一步會開發一個一步到位的更加高效的訓練軟體，敬請關注，用了一個下午終于把整個專案程序說明了，操作說明和軟體有不足之處還請大家多多包涵和評判，共同進步，
附件：
本文所有軟體例程和資料集下載地址，鏈接：https://pan.baidu.com/s/1YPjR_TPJYLmriXNVnNbgZg 提取碼：52ai
其他下載地址：[以下隱藏，回復后可見]
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/198160.html
標籤：其他
下一篇：美團大資料查詢技術