使用Scaled-YOLOv4进行自定义目标检测

在这篇文章中，将探讨如何利用Scaled-YOLOv4模型来检测世界上的任何物体，前提是拥有合适的训练数据。例如，可以使用无人机从上方检测船只和水上摩托艇。

准备自定义的Scaled-YOLOv4数据集

为了训练目标检测器，需要标记的图像数据，这些数据将教会模型需要检测的内容。如果只是想学习这项新技术，并希望直接跟随本教程，可以使用公共的空中海洋数据集。

在收集自己的图像时，建议收集代表模型在部署中将面临的条件的图像。越多样化越好。可以从一小批图像开始，以评估问题的可行性，然后再进行扩展。

要使用自己的数据进行本教程，需要在Roboflow上注册并创建一个公共工作区，或者在现有的账户中创建一个新的公共工作区。如果数据是私有的，可以升级到付费计划，以便导出数据以使用此类外部训练程序，或者尝试使用Roboflow的内部训练解决方案。

在Roboflow中，现在可以直接标记数据。上传数据到Roboflow后，在创建新数据集时，将在Roboflow中绘制围绕想要检测的物体的边界框。

一旦对标记的数据集感到满意，可以通过选择预处理和增强选项来创建数据集版本。选择数据集版本并点击生成后，选择Scaled-YOLOv4格式，将获得一个curl链接，将其带入Colab笔记本中。

安装Scaled-YOLOv4依赖项

一旦进入笔记本，需要进行一些安装，然后才能开始训练。幸运的是，Google Colab为提供了许多安装，比如PyTorch。确保在驱动器中保存副本，并检查运行时是否使用免费的GPU。

然后克隆Scaled-YOLOv4仓库，并切换到yolov4-large分支。接下来，将安装mish-cuda以使GPU能够快速运行mish激活函数。之后，将安装pyaml，这是读取数据所需的。

最后，从Roboflow导入curl链接，以正确的格式将数据带入笔记本中。

启动Scaled-YOLOv4训练

现在已经设置好了一切，只需要调用一个命令就可以开始对自定义数据进行训练。

以下选项是可能的：

• img: 定义输入图像大小
• batch: 确定批量大小
• epochs: 定义训练周期的数量。（注意：通常，这里3000+很常见！）
• data: 设置yaml文件的路径
• cfg: 指定模型配置
• weights: 指定自定义权重的路径。
• name: 结果名称
• nosave: 仅保存最终检查点
• cache: 缓存图像以加快训练速度

一旦训练开始，希望看到mAP（平均精度均值）指标上升，如果它趋于平稳，可以停止脚本。训练结束后，可以查看Tensorboard指标，再次关注mAP：

使用Scaled-YOLOv4模型进行推理

现在已经训练了Scaled-YOLOv4模型，可以利用模型对新图像进行推理。为此，将模型指向数据集的测试集，并指向检测脚本指向自定义权重（也可以在这里指定视频）：

推理发生得很快（特别是在GPU上）

导出权重和部署

最后，在笔记本的最后，下载自定义模型权重。这些权重目前处于PyTorch框架中，可以使用用于训练的相同软件来调用它们。也可以将这些权重转换为其他框架，如Tensor RT、ONNX、TorchScript、TensorFlow Saved Graph、TFLite。

这些其他格式的实现将是新的软件，具有新的依赖项。旅程已经开始了！