YOLO v4論文：https://arxiv.org/abs/2004.10934
YOLO v4原始碼：https://github.com/AlexeyAB/darknet

給學妹寫的教程，發上來作為學習記錄吧，資料集用的是開源車牌資料集CCPD，本文章介紹的只是檢測車牌框，并不帶車牌識別功能，有錯誤或者有疑問的歡迎底下評論，

1、環境配置（親測可用）

• Ubuntu 20.04
• CUDA 11.2
• cuDNN
• OpenCV_contrib 4.3.0
• OpenCV 4.3.0

2、下載安裝

1.CUDA 11.2

• CUDA下載鏈接：官網下載
  百度網盤鏈接 提取碼：9oi5
• CUDA安裝

a.禁用集成的nouveau驅動

gedit打開blacklist.conf

sudo gedit /etc/modprobe.d/blacklist.conf

blacklist.conf末尾添加：

blacklist nouveau
options nouveau modeset=0

更新系統

sudo update-initramfs -u

重啟系統

reboot

驗證nouveau是否禁用(沒有任何輸出說明已經禁用)

lsmod | grep nouveau

b.運行cuda檔案

sudo sh cuda_11.2.0_460.27.04_linux.run

如果之前已經安裝過顯卡驅動，這里就不需要選擇第一個了
Install

添加環境變數

sudo gedit ~/.bashrc

在最后一行加上

export PATH=/usr/local/cuda-11.2/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-11.2/lib64:$LD_LIBRARY_PATH

激活環境變數

source ~/.bashrc

檢測是否安裝成功

nvidia-smi

nvcc -V

• cuDNN下載鏈接：官網下載(需要登錄)
  百度網盤鏈接 提取碼：80rv
• 解壓cuDNN壓縮包，并在檔案夾下的cuda檔案夾下打開終端
  
  將include和lib64檔案夾下的內容復制到CUDA安裝目錄下對應名稱的檔案夾下

sudo cp -r include/* /usr/local/cuda/include/

sudo cp -r lib64/* /usr/local/cuda/lib64/

2.OpenCV

• 參考：OpenCV官網 友友的博客
• a.安裝依賴

$ sudo apt-get install -y build-essential checkinstall cmake pkg-config yasm git gfortran
# 添加源，防止可能會出現的找不到所需安裝的庫的情況
$ sudo add-apt-repository -y "deb http://security.ubuntu.com/ubuntu xenial-security main"
$ sudo apt-get update
$ sudo apt-get install -y libgstreamer1.0-dev libgstreamer-plugins-base1.0-dev
$ sudo apt-get install -y libjpeg8-dev libjasper-dev libpng12-dev libtiff5-dev libavcodec-dev libavformat-dev libswscale-dev libdc1394-22-dev libxine2-dev libv4l-dev
$ sudo apt-get install -y libgstreamer1.0-dev libgstreamer-plugins-base1.0-dev libgtk2.0-dev libtbb-dev libatlas-base-dev libfaac-dev libmp3lame-dev libtheora-dev libvorbis-dev libxvidcore-dev libopencore-amrnb-dev libopencore-amrwb-dev x264 v4l-utils

• b.下載兩個安裝包
  OpenCV_contrib 4.3.0 github下載
  

  OpenCV 4.3.0 官網下載
  

• c.解壓下載的兩個壓縮包，并在opencv-4.3.0檔案夾下新建一個build檔案夾

• d.安裝cmake-gui
  

• e.
  設定Where is the source code為 /home/joy/下載/opencv-4.3.0（安裝包所在位置）
  設定Where to build the binaries為 /home/joy/下載/opencv-4.3.0/build
  點擊Configure
  點擊Generate
  

• f.點擊Finsh
  

• g.選擇需要的引數（?或者選擇路徑）
  官方引數說明，友友們根據需要選擇

CMAKE_BUILD_TYPE = RELEASE
WITH_QT = √ #使用QT支持
WITH_OPENGL = √ #
OPENCV_EXTRA_MODULES_PATH= /home/joy/opencv-4.3.0/build #opencv_contrib modules路徑

• h.點擊Configure
  如果報錯提示缺少xxx包
  參考：https://blog.csdn.net/a985588764/article/details/103494670
  https://blog.csdn.net/AlexWang30/article/details/99612188

• i.Config成功后點擊Generate

• j.make編譯安裝

#使用nproc確定CPU核心數
$ nproc
$ make -j6 #根據CPU核心數確定編譯執行緒數
$ sudo make install #安裝

3、編譯Darknet

1.下載安裝VS Code

官網下載

2.本地代碼與github同步

  根據需要選擇，不需要的也可以直接在AlexeyAB的倉庫中下載壓縮包在VS Code中打開

• a.安裝插件
  

• b.登錄github
  

• c. fork yolov4倉庫并克隆到VS Code中，選擇一個檔案夾保存到本地
  

• 現在就可以愉快的commit、push到遠程github倉庫上了
  

3.編譯

• 編輯Makefile檔案
  
  Makefile官方說明
  
• make編譯
  
  編譯成功后會生成如圖darknet檔案
  

4、準備資料

1.生成標注檔案（txt）

標注框資訊從圖片名稱中提取，而由于只有一個類（plate），默認標簽為0，圖片和txt檔案要放在一個檔案夾下

import os
import re
import cv2
root_path = r'/home/joy/SXH/tensorflow-yolov4-tflite/data/CCPD2019/images/'  # 根據本地自己路徑進行更改
file_name = os.listdir(root_path)


def convert(size, box):
    dw = 1. / size[0]
    dh = 1. / size[1]
    x = (box[0] + box[1]) / 2.0
    y = (box[2] + box[3]) / 2.0
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return x, y, w, h


for image_id in file_name:
    id = image_id.split('.')[0]
    out_file = open('/home/joy/SXH/tensorflow-yolov4-tflite/data/CCPD2019/images/%s.txt' % id,
                    'w')  # 需要保存的txt格式檔案路徑
    img = cv2.imread((root_path + image_id))
    height = img.shape[0]
    width = img.shape[1]
    point = image_id.split('.')[0].split('-')[3]
    # Xmin = point.split('_')[2].split('&')[0]
    num = re.findall('\d+\d*', point)  # 正則運算式 從字串中提取數值
    Xmin = min(num[0::2])  # list[start:stop:step]
    Ymin = min(num[1::2])
    Xmax = max(num[0::2])
    Ymax = max(num[1::2])
    b = (float(Xmin), float(Xmax), float(Ymin),
         float(Ymax))
    bb = convert((width, height), b)
    out_file.write('0' + " " + " ".join([str(a) for a in bb]) + '\n')
print('end')

2.修改組態檔

• a.生成plate_train.txt和plate_val.txt
  復制/CCPD2019/splits/下的兩個txt檔案到darknet/data/下并分別改名為plate_train.txt和plate_val.txt
  修改txt檔案內的路徑為自己的本地資料集路徑(相對路徑和絕對路徑都可以)
  
  
• b.在darknet/data/下新建plate.data檔案

classes = 1  #類別數量
train = data/plate_train.txt
valid = data/plate_val.txt
#valid = data/coco_val_5k.list
names = data/plate.names
backup = backup/  # 保存模型的位置

• c.在darknet/data/下新建plate.names檔案

plate

• d.復制darknet/cfg/下yolov4-custom.cfg檔案到darknet檔案夾下，并重命名為yolov4-plate.cfg
• e.修改yolov4-plate.cfg檔案
  官方說明
  

[net]
# Testing
#batch=1
#subdivisions=1
# Training
batch=32  # 如果顯存不夠就調小一點
subdivisions=64
width=512
height=512

max_batches = 6000
policy=steps
steps=4800,5400
scales=.1,.1

#cutmix=1
mosaic=1

#:104x104 54:52x52 85:26x26 104:13x13 for 416

共三處如下圖片修改（一樣的內容）

[convolutional]
size=1
stride=1
pad=1
filters=18
activation=linear


[yolo]
mask = 0,1,2
anchors = 12, 16, 19, 36, 40, 28, 36, 75, 76, 55, 72, 146, 142, 110, 192, 243, 459, 401
classes=1
num=9
jitter=.3
ignore_thresh = .7
truth_thresh = 1
scale_x_y = 1.2
iou_thresh=0.213
cls_normalizer=1.0
iou_normalizer=0.07
iou_loss=ciou
nms_kind=greedynms
beta_nms=0.6
max_delta=5

• f.下載預訓練模型
  百度網盤鏈接
  提取碼：1plh

5、訓練模型

 ./darknet detector train data/plate.data yolov4-plate.cfg yolov4.conv.137 -map

如圖表示開始訓練
訓練結束（模型保存在darknet/backup/檔案夾下）

6、測驗模型

修改yolov4-plate.cfg檔案

[net]
# Testing
batch=1
subdivisions=1
# Training
#batch=32
#subdivisions=64
width=512
height=512
channels=3

測驗命令

./darknet detector test data/plate.data yolov4-plate.cfg backup/yolov4-plate_best.weights 

輸入測驗圖片路徑
輸出結果