YOLO-Darknet实战（五）：训练轻量级目标检测网络YOLOv4-Tiny

最新推荐文章于 2022-10-10 15:45:55 发布
最新推荐文章于 2022-10-10 15:45:55 发布
阅读量1.4k 收藏 7
点赞数 3
CC 4.0 BY-SA版权
分类专栏： YOLO-Darknet 目标检测最强实战 文章标签： 目标检测 深度学习 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wjinjie/article/details/124675192
本文详细介绍了如何训练轻量级目标检测网络YOLOv4-Tiny，包括制作Darknet格式数据集、更改配置文件、下载预训练模型、编译darknet、开始训练以及如何断开续训和测试。关键步骤涉及数据集构建、配置文件调整和预训练模型应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

YOLOv4-Tiny的训练步骤与YOLOv4基本相同，但是由于两者网络结构的不同，所以配置文件的设置也有所不同。除此之外，进行训练和测试时的命令也有所差别。

文章目录

一、制作Darknet格式数据集

Darknet格式数据集由以下几个文件构成：
1、obj.names
用来存放目标的类名，该文件置于darknet/data/路径下

2、train.txt 和 test.txt
用来存放训练集和测试集中图片的路径，文件放置于darknet/data/路径下，文件内容如下：
在这里插入图片描述

3、obj
文件夹，用来存放原图和txt标签，文件放置于darknet/data/路径下。txt标签格式如下：
在这里插入图片描述

4、obj.data
主要用来存放文件路径信息，放置于darknet/data/路径下，内容如下：

classe
了解本专栏 订阅专栏 解锁全文 超级会员免费看
GhostNet在YOLOv5中的应用：轻量化目标检测网络设计，小白看了也能理解，效果极佳！
FJN110的博客
06-20 45
华为诺亚方舟实验室提出的GhostNet是一种创新轻量化神经网络架构。其核心思想是通过分解卷积操作：先用少量卷积核生成本征特征图，再用深度可分离卷积产生"幽灵"特征图，最后融合两类特征。该架构包含GhostModule和带残差连接的GhostBottleneck两大核心模块。与YOLOv5融合时，通过替换常规Conv为GhostConv、C3模块为C3Ghost实现轻量化，可降低50%参数量和40-50%计算量，特别适合移动端和边缘计算设备。配置文件需调整网络结构和模块类型，训练时建议采
目标检测学习[5]_训练与测试
牛博通的博客
12-27 527
目标检测学习 文章目录目标检测学习前言一、 训练与测试1.1 模型训练1.2 后处理1.2.1 目标框信息解码1.2.2 NMS非极大值抑制1.2.3 代码实现:1.3 单图预测推理1.4 VOC测试集评测1.4.1 介绍map指标1.4.2 Tiny-Detection VOC测试集评测总结 内容链接 前言 Pytorch是一个基于python的科学计算包，主要面向两部分受众： 一个为了充分发挥GPU能力而设计的Numpy的GPU版本替代方案 一个提供更大灵活性和速度的深度学习研究平台
Darknet-Yolo系列(一）利用 Darknet 在自己的数据集上训练 Yolov4-tiny 模型
weixin_41073948的博客
12-02 1510
利用 Darknet 在自己的数据集上训练 Yolov4-tiny 模型0.配置环境1.数据准备2.模型训练 另有Yolov4模型的各种部署方式，详见github。 0.配置环境 此项目使用的训练环境：Ubuntu 18.04.5, CUDA Version: 10.1, Darknet A版, Nvidia 2080 ti 显卡. 其中 Darknet 的配置参考这里 1.数据准备 这个项目使用的反光衣检测数据集来自reflective-clothes-detect and dataset yolov5，
YoloV4-tiny网络结构
New_Tank的博客
07-25 1164
yolov4-tiny
目标检测实战(四)：YOLOV4-Tiny 源码训练、测试、验证详细步骤
源的博客
09-16 3717
Yolov4-Tiny下载源码和权重文件编译环境简单测试训练VOC数据集生成训练文件训练准备开始训练多GPU训练 下载源码和权重文件 源码：https://github.com/AlexeyAB/darknet 权重：https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v4_pre/yolov4-tiny.weights 编译环境 修改makefile(打开darknet目录下makefile文件), 根据具体情况修改 GPU
Yolov4-tiny Yolov4的神经网络模型文件
11-14
主要是Yolov4-tiny Yolov4的神经网络模型文件，可以直接调用，主要运用在物体识别、目标识别跟踪、人脸识别、无人机等应用领域。
目标检测之Yolov3 darknet训练自己的数据集
AndyJ的学习之旅
06-13 596
１配置darknet环境 参考官网 darknet git clone https://github.com/pjreddie/darknet cd darknet 更改Makefile, 令GPU=1,CUDNN=1,OPENCV=1 ARCH= -gencode arch=compute_30,code=sm_30 \ -gencode arch=compute_35,code=sm_35 \ -gencode arch=compute_50,code=[sm_50,com
yolov3 yolov3-tiny yolov4 yolov-tiny预训练模型下载
09-22
本压缩包包含了YOLO系列的四个预训练模型：YOLOv3、YOLOv3-tiny、YOLOv4以及YOLOv4-tiny。这些模型都是经过大量数据训练得到的，可以直接用于物体检测任务，大大减少了用户自己训练模型的时间和计算资源。 首先，...
Yolo-object-detection：此存储库提供了使用VOC或COCO数据的对象检测算法YOLO（v2和v3）的实现
02-04
这个名为"Yolo-object-detection"的存储库提供了一个基于Python的YOLO v2和v3的实现，可能包括了Darknet框架，这是一个轻量级的深度学习框架，常用于实时应用。Darknet中的Yolo模型可以直接加载预训练权重，进行快速...
yolov4-tiny预训练模型和权重weigths cfg 文件.rar
07-23
YOLOv4-tiny是YOLO（You Only Look Once）目标检测框架的一个轻量级版本，设计用于在保持相对高的检测精度的同时，提高检测速度。YOLO系列算法因其实时目标检测的能力，在计算机视觉领域广受欢迎。这个压缩包包含了...
yolov4-tiny-pytorch人脸检测
10-26
而YOLOv4-tiny则是YOLOv4的轻量级变体，虽然牺牲了一些精度，但大大提升了运行速度，更适合于资源有限的环境。 YOLOv4-tiny采用了Darknet框架的轻量化结构，包括更少的卷积层和更小的滤波器尺寸，使其在保持高效的...
检测、分割用什么轻量级网络呢？
小白学视觉
03-04 667
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达由于深度学习的关系，计算机视觉领域发展迅速，各大榜单精度刷的很高，但是这些性能强大的模型却没有用武之地，在现实场景下，...
yolov4的网络结构图（纯属原创）
07-31
自己根据一些大佬资料画的，下载了的朋友有不懂的地方可以留言讨论。引用注明出处就好，谢谢。 自己根据一些大佬资料画的，下载了的朋友有不懂的地方可以留言讨论。引用注明出处就好，谢谢。
[目标检测之路一] win10+anaconda+tensorflow object detection API 搭建及DEMO实现
qq_40434140的博客
03-02 2442
写在前面的话 最近，由于科研项目上的需要，笔者开始接触基于深度学习的目标检测。今天，笔者将给大家分享在windows10上利用Anaconda完成对Tensorflow Object Detection API的环境搭建及其DEMO实现。关于该API的介绍，百度/谷歌一查一大堆，笔者就不在这里作介绍。 为什么要写这篇博客 笔者一开始在Github上找到了该API的项目（链接：https://git...
yolov4网络结构
weixin_42747686的博客
07-30 809
目标检测学习笔记
weixin_41870056的博客
12-24 651
标检测学习笔记（四、实践篇）6 训练与测试6.1 模型训练6.2 后处理6.2.1 目标框信息解码6.2.2 NMS的非极大值抑制6.2.3 代码实现6.3 单图预测推理6.4 VOC测试集评测6.4.1 MAP指标6.4.2 Tiny-Detection VOC测试集评测 本篇续上一篇，继续学习目标检测相关知识。笔记仅为巩固个人学习效果、督促自我进步用，若有读者发现不正确的地方请不吝指教。 参考链接：https://datawhalechina.github.io/dive-into-cv-pytorch
目标检测-训练与测试
lzw刘仔很忙的博客
12-26 1535
目标检测网络的训练大致是如下的流程： 设置各种超参数 定义数据加载模块 dataloader 定义网络 model 定义损失函数 loss 定义优化器 optimizer 遍历训练数据，预测-计算loss-反向传播 首先，我们导入必要的库，然后设定各种超参数 后处理 目标框信息解码 之前我们的提到过，模型不是直接预测的目标框信息，而是预测的基于anchor的偏移，且经过了编码。因此后处理的第一步，就是对模型的回归头的输出进行解码，拿到真正意义上的目标框的预测结果。 后处理还需要做什么呢？
神经网络算法三大类,神经网络的基本原理
m0_54846070的博客
10-10 623
一个online方式：移动端做初步预处理，把数据传到服务器执行深度学习模型，现在很多APP都是这个思路, 优点是这个方式部署相对简单，现成的框架（caffe，theano，mxnet，Torch) 做下封装就可以直接拿来用，服务器性能大, 能够处理比较大的模型，缺点是必须联网。还是就是如果匹配了那些文件一般要写入APP程序的某个文件里，首先你要找到你电脑程序写入的文件，然后在复制到手机APP的程序写入的地方方便读取就可以了。有实践表示，如果采用合适的规则化项来训练，它可以达到非常好的效果。
MONAI 3D目标检测官方demo实践与理解（一）项目搭建，训练部分的运行
qq_43385070的博客
07-08 2845
最近在学习医学图像相关的3D目标检测，刚好MONAI更新了3D目标检测相关的模块，就去找来官方的案例学习，此为第一部分
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI 菌

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值