注：此過程是執行在darknet已編譯完成後的情況，具體執行環境參考上一篇博文：編譯darknet網路-下載git版本時間20210520

一、在darknet主目錄下建立yolo-obj.cfg配置檔案，拷貝yolov4-custom.cfg的內容到yolo-obj.cfg中，並對部分內容進行修改。

1. 修改batch=64，修改subdivisions=64（如果顯示卡效能較高，可以設定batch=96或subdivisions=16）
2. 修改width=416，height=416（如果顯示卡效能較高，可以設定width=608，height=608）
3. 修改max_batches=classes*2000，例如當前有3個類別，則設定為6000，這裡的max_batches表示最終的迭代次數
4. 修改steps為max_batches的80%到90%，比如max_batches=6000，則steps=4800,5400
5. 修改classes，使用檔案內容搜尋關鍵字[yolo]可以搜到3次，修改classes的數量為你的類別數，這裡classes=3
6. 修改filters，同上一步搜尋[yolo]，每次搜到的yolo上一個的[convolutional]中filters=(classes + 5)x3 比如filters=24
7. （可以跳過）如果要用[Gaussian_yolo] ，則搜尋[Gaussian_yolo] 將[filters=57] 的filter 修改為 filters=(classes + 9)x3 （注：這裡我沒搜到對應的內容）

二、在darknet主目錄下建立obj.name檔案，內容為你的類別，比如水壺、人和筆，格式如下：

jug
person
pen

三、製作obj.data，在darknet主目錄下建立obj.data檔案，內容如下：

classes= 3
train = ./scripts/2007_train.txt
#valid = ./scripts/2007_test.txt #（做測試用的測試txt）
valid = ./scripts/2007_val.txt
names = obj.name #（找不到的話，可以修改為自己的絕對路徑）
backup = backup/ # 權重儲存的位置

四、在darknet主目錄下建立backup資料夾，方便訓練過程報存權重

五、資料集製作，在scripts資料夾下按如下目錄建立VOCdevkit 資料夾，放自己的訓練資料，結構如下：

VOCdevkit

--VOC2007

----Annotations #（放XML標籤檔案）

----ImageSets

------Main

----JPEGImages # (放原始圖片)

然後，把自己的原始未標註圖片和標籤資訊放入相應資料夾下。

六、scripts資料夾下有voc_label.py，開啟後修改自己的類別資訊

sets=[ (‘2007’, ‘train’), (‘2007’, ‘val’), (‘2007’, ‘test’)]

classes = [“jug”, “person”,“pen” ] 按自己的類別修改，但是順序要和obj.name 保持一致

七、在主目錄下建立make_data.py 檔案，拷貝下面程式碼。

import os
import random
import sys
root_path = './scripts/VOCdevkit/VOC2007'
xmlfilepath = root_path + '/Annotations'
txtsavepath = root_path + '/ImageSets/Main'
if not os.path.exists(root_path):
    print("cannot find such directory: " + root_path)
    exit()
if not os.path.exists(txtsavepath):
    os.makedirs(txtsavepath)
trainval_percent = 0.9
train_percent = 0.8
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
print("train and val size:", tv)
print("train size:", tr)
ftrainval = open(txtsavepath + '/trainval.txt', 'w')
ftest = open(txtsavepath + '/test.txt', 'w')
ftrain = open(txtsavepath + '/train.txt', 'w')
fval = open(txtsavepath + '/val.txt', 'w')
for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftrain.write(name)
        else:
            fval.write(name)
    else:
        ftest.write(name)
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

執行make_data.py 檔案，在Main 下生成四個txt檔案。

八、在scripts資料夾下執行voc_label.py檔案，執行前如有”2012”相關字樣內容需刪除，保留”2017”部分，執行結束在scripts 檔案下生成 3個相應的txt檔案，在VOC2007下生成labels資料夾。

九、開始訓練，先下載預訓練權重yolov4.conv.137，放入darknet主目錄下，

權重下載地址：

https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.conv.137

用下面的命令開始訓練：

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

每訓練迭代1000次會單獨儲存1份當前權重。

#訓練2000此後在之前訓練的基礎上繼續訓練（適合中途停止後繼續訓練）

./darknet detector train obj.data yolo-obj.cfg backup/yolo-obj_2000.weights -map

參考部落格：

Yolov4訓練自己的資料集，史上最詳細教程（本人多次使用訓練，親測效果不錯,小白都可以學會）_王GUO寧的部落格-CSDN部落格