在本文中，将详细介绍如何使用YOLOv4-tiny模型训练自己的数据，以检测自定义的对象。YOLOv4-tiny特别适合于计算资源有限的研究或部署场景，并且愿意为了速度牺牲一些检测性能。
如果希望跳过所有这些步骤，Roboflow是训练和部署计算机视觉模型的最简单方式。工具可以让在几小时内而不是几周内启动并运行，并且帮助模型随着看到的数据越来越多而不断改进。
YOLOv4-tiny与原始YOLOv4相比如何？在性能指标上，YOLOv4-tiny的推理时间大约是YOLOv4的8倍，而在MS COCO（一个非常困难的数据集）上的性能大约是2/3。在更易处理的小型自定义检测任务上，性能下降甚至更小。在本教程的自定义示例中，几乎看不到由于模型大小减小而导致的性能下降。
在模型架构上，YOLOv4 tiny和YOLOv4之间的主要区别在于网络大小大幅减小。CSP主干中的卷积层被压缩，YOLO层的数量从三个减少到两个，并且用于预测的锚框数量也减少了。可以在配置文件中自己查看这两个网络之间的差异：YOLOv4 tiny配置和YOLOv4配置。如果正在尝试检测小物体，应该保留第三个YOLO层，如yolov3-tiny_3l.cfg。
Scaled-YOLOv4发布：请查看创建YOLOv4-tiny所涉及的建模工作，在论文Scaled-YOLOv4中。Scaled-YOLOv4在曲线上超越了EfficientDet。查看Scaled-YOLOv4。
安装Darknet依赖项和YOLOv4-tiny框架：建议与YOLO v4 tiny Colab笔记本一起使用本文。本文中的许多细节也适用于一般How to Train YOLO v4教程，因此如果正在寻找更深入的细节，这是一个有用的资源。为了设置Darknet环境，需要这些依赖项：OpenCV、Cuda Toolkit、cuDNN、GPU资源、GPU架构。幸运的是，Google Colab为处理了前四个，所以只需要担心GPU架构。
对于Google Colab用户，添加了一个单元格，将根据检测到的GPU自动指定架构。如果在本地机器上（不是Colab），请查看机器的Makefile。需要根据GPU的计算能力更改以下行：
ARCH= -gencode arch=compute_60,code=sm_60
然后克隆Darknet仓库（对配置和打印语句进行了一些微调），并制作Darknet程序。如果成功，将看到很多奇怪的打印输出，包括：
g++ -std=c++11 -std=c++11 -Iinclude/ -I3rdparty/stb/include -DOPENCV `pkg-config --cflags opencv4 2> /dev/null
最后，将下载tiny YOLO的前29层，从COCO预训练权重开始训练：
yolov4-tiny.conv.29 100%[===================>] 18.87M 16.0MB/s in 1.2s
下载自定义数据集以供YOLOv4 tiny使用：在本教程中，使用的是Roboflow公共数据集上托管的公共血细胞检测数据集。如果想直接跟进，请分叉该数据集。否则，可以上传自定义对象的任何注释格式。要将数据上传到Roboflow，请创建一个免费的Roboflow账户。
需要用边界框标记数据吗？开始使用Roboflow Annotate、LabelMe、VoTT或LabelImg教程进行标记。使用Roboflow Annotate标记图像非常简单。一旦上传，可以选择预处理和增强步骤。在这个例子中，使用auto-orient和resize到416x416。
为示例数据集BCCD选择的设置。为了生成数据集版本，点击Generate，然后Download，选择YOLO Darknet格式。这为提供了一个curl链接，可以将其移植到Colab笔记本中进行下载。
导出为YOLO Darknet，并“显示下载代码”。一旦压缩了下载，将curl链接粘贴到笔记本中并运行它！从Roboflow下载数据 - 如果数据已经在Darknet框架中，可以跳过这一步。然后编写一些代码，编写obj.data文件，以指向Darknet用于训练的数据。
一切就绪！编写自定义YOLOv4-tiny训练配置。这里的重要收获是，YOLO模型会根据自定义数据集中的类别数量略微调整网络架构。因此，还应该根据类别数量调整训练的长度。因此，根据数据集创建了以下自定义变量：num_classes、max_batches（训练多长时间）、迭代步骤、层过滤器，并将它们写入配置文件，如YOLOv4存储库所指示。
训练自定义YOLOv4 tiny检测器：一旦有了环境、数据和训练配置，就可以继续使用以下命令训练自定义YOLOv4 tiny检测器：
!./darknet detector train data/obj.data cfg/custom-yolov4-tiny-detector.cfg yolov4-tiny.conv.29 -dont_show -map
启动训练：YOLOv4-tiny训练快速！在Tesla P-100上大约1小时的训练时间用于350张图像。见证了与YOLOv4相比，YOLOv4 tiny的训练速度提高了10-20倍。这真是了不起。YOLOv4 tiny是一个非常高效的模型，可以开始试验并感受数据。
当模型训练时，注意mAP（平均精度均值）的计算。如果它稳步上升，这是一个好兆头，如果它开始恶化，那么模型已经过拟合到训练数据。
使用保存的权重从YOLOv4-tiny检测自定义对象：当训练完成后，darknet框架将在模型在验证集上实现最高mAP的地方丢弃backup/custom-yolov4-tiny-detector_best.weights。可以使用这些保存的权重来推断测试图像的检测：
!./darknet detect cfg/custom-yolov4-tiny-detector.cfg backup/custom-yolov4-tiny-detector_best.weights {img_path} -dont-show
推断：YOLOv4-tiny在测试图像上的推断 - 非常好！而且推断运行得很快，非常快：test/BloodImage_00113_jpg.rf.a6d6a75c0ebfc703ecff95e2938be34d.jpg：预测时间为3.131000毫秒。3ms，批量大小1，Tesla-P100！从那里，可以将权重从Colab移植出来，用于应用程序，而无需下次重新训练。
结论：恭喜！现在知道如何在自定义数据集上训练YOLOv4 tiny。它的训练速度非常快，并且比几乎所有其他模型都快。请继续关注YOLOv4 tiny与YOLOv5s的比较。可能还会喜欢访问有关如何训练的教程：Train YOLOv4 Darknet Tutorial、Train YOLOv5 PyTorch Tutorial。并了解更多关于建模的信息：Deep Dive on YOLOv4、Deep Dive On YOLOv5。