YOLO v4论文： https://arxiv.org/abs/2004.10934
YOLO v4开放源代码： https://github.com/Alexey ab/darknet
YOLO v4的安装基本上与YOLO v3相同，但作者基本上根据YOLO v3的版本进行了修改，与安装基本相似。 简单说明安装要求。
文章1 .安装要求2.1安装2.1配置makefile 2.2编译3. Demo测试4 .培训自身数据集4.1数据集准备4.2修复配置文件4.2.1修复cfg/voc.data4.2.2修复yolov4-custom.cfg第一部分：修改头文件第二部分：修改目标类别第三部分：卷积层filters 4.3预训练权重4.4下载模型4.5何时停止训练5. YOLO
使用以下命令显示系统的CMke版本号： cmake --version CUDA 10.0
使用以下命令显示CUDA的版本信息： cat/usr/local/cuda/version.txt opencv=2.4
使用以下命令显示OpenCV的版本号： pkg-config opencv---- modversioncudnn=7.0 for cuda
使用以下命令确定cuDNN的版本号。 cat/usr/local/cuda/include/Cu dnn.h|grepcudnn _ major-a2
上图所示的cuDNN版本号为7.6.0。
GPU with CC=3.0 gcc --version 2.安装2.1设置打开Makefiledarken根目录下的makefile文件，如下表所示设置内部参数。
不同内容修正状况的GPU=1用CUDA构筑，GPU加速(CUDA应该在/usr/local/CUDA中) CUDNN=1用CUDNN v5-v7构筑，GPU加速训练(CUDNN为/usr/local/CUDA ) 位于CUDNN中)使用CUDNN_HALF=1用于加速检测3x的张量核(版本为泰坦V/Tesla V100/DGX-2或更高版本)，训练2 xopencv=1opencv4. x/3 2.4 .使用x构建-需要调试debug=1yolo以允许从网络摄像机或网络摄像机检测视频文件和视频流使用openmp=1openmp支持构建， 如果已经使用多核CPU安装了YOLO，则需要加快opencv速度。如果您有Nvidia显卡，并且安装了正确版本的CUDA和CUDNN，请设置GPU=1，CUDNN=1 如果显卡是Titan V/Tesla V100/DGX-2或更高版本，请设置CUDNN_HALF=1。 对于多核CPU APP应用程序，请设置OPENMP=1 2.2编译并直接在darknet文件环境中执行以下代码：
make -j在编译过程中可能会出现Warining，但如果不会出现Error就好了。
3. Demo测试首先，下载yolov4.weights (官方链接)。 官方链接从github下载。 速度慢，开始
用百度云链接(ubee )下载。
./darknetdetectcfg/yolo v4.cfgyolov4. weights data/dog.jpg规则如下：
./darknet detect [训练cfg文件路径] [权重文件路径] [检测图像的路径]的执行结果如下图所示
4 .训练自己的数据集4.1数据集，准备首先生成自己的数据集作为VOC数据集的格式，至少生成以下格式的文件夹
annotationsimagesets---- main---test.txt---train val.txt---val.txtjpegimages接着
第一处
修改第七行
sets=[('2012 '，' train ' )、[2012 '，' val']、[2007 '，' train']、[2007 '，' val']、[2007 '、' val '
修改第九行
classes=['aeroplan
e", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]修改为自己检测目标类别名称
完成修改以后可运行文件，生成YOLO训练时使用的labels
python voc_label.py运行结束以后，可以在/darknet/scripts/VOCdevkit/VOC2007文件夹内看到labels文件夹，并且在/darknet/scripts文件夹内会生成2007_train.txt、2007_test.txt、2007_val.txt三个文件。到此，数据准备完成。
4.2修改配置文件 ./darknet detector train cfg/voc.data cfg/yolo-voc.cfg darknet19_448.conv.23上边是进行训练的命令，可以按照上边的命令对文件进行修改。
4.2.1修改cfg/voc.data classes= 3 //修改为训练分类的个数 train = /home/ws/darknet/scripts/2007_train.txt //修改为数据阶段生成的2007_train.txt文件路径valid = /home/ws/darknet/scripts/2007_val.txt //修改为数据阶段生成的2007_val.txt文件路径names = data/voc.namesbackup = backup 4.2.2修改data/voc.names在上边修改的文件内有一个data/voc.names文件，里边保存目标分类的名称，修改为自己类别的名称即可。
4.2.3修改cfg/yolov4-custom.cfg 第一处：修改头文件文件开头的配置文件可以按照下边的说明进行修改
# Testing#batch=1#subdivisions=1# Trainingbatch=64 //每次迭代要进行训练的图片数量 ,在一定范围内，一般来说Batch_Size越大，其确定的下降方向越准，引起的训练震荡越小。 subdivisions=8 //源码中的图片数量int imgs = net.batch * net.subdivisions * ngpus，按subdivisions大小分批进行训练 height=416 //输入图片高度,必须能够被32整除width=416 //输入图片宽度,必须能够被32整除channels=3 //输入图片通道数momentum=0.9 //冲量decay=0.0005 //权值衰减angle=0 //图片角度变化，单位为度,假如angle=5，就是生成新图片的时候随机旋转-5~5度 saturation = 1.5 //饱和度变化大小exposure = 1.5 //曝光变化大小hue=.1 //色调变化范围，tiny-yolo-voc.cfg中-0.1~0.1 learning_rate=0.001 //学习率burn_in=1000max_batches = 120200 //训练次数，建议设置为classes*2000，但是不要低于4000policy=steps //调整学习率的策略//根据batch_num调整学习率，若steps=100,25000,35000，则在迭代100次，25000次，35000次时学习率发生变化，该参数与policy中的steps对应steps=40000,80000 // 一般设置为max_batch的80%与90%scales=.1,.1 //相对于当前学习率的变化比率，累计相乘，与steps中的参数个数保持一致；注意：如果修改max_batches总的训练次数，也需要对应修改steps，适当调整学习率。
具体的含义可以查看YOLO网络中参数的解读
修改三处classes,分别位于970行、1058行与1146行，将其修改为自己数据集的目标数量；
classes=3 第三处：卷积层中filters在每个[yolo]层之前的3个[convolutional]中，将[filters=255]改为filters=(classes + 5)x3，记住只要在每个[yolo]层之前的最后一个[convolutional]即可。
分别位于963行、1051行与1139行，将其修改为自己数据集的目标数量；
谷歌网盘地址： yolov4.conv.137
百度网盘地址： yolov4.conv.137 ，提取码：dw15
作者制作了如下的图，能够直接观察损失、时间等信息，非常实用。
通常每个类(对象)有足够的2000次迭代，但总共不少于4000次迭代。但是为了更精确地定义什么时候应该停止培训，通过观察avg数值。
Region Avg IOU: 0.798363, Class: 0.893232, Obj: 0.700808, No Obj: 0.004567, Avg Recall: 1.000000, count: 8 Region Avg IOU: 0.800677, Class: 0.892181, Obj: 0.701590, No Obj: 0.004574, Avg Recall: 1.000000, count: 89002: 0.211667, 0.60730 avg loss, 0.001000 rate, 3.868000 seconds, 576128 images Loaded: 0.000000 seconds在训练期间，您将看到不同的错误指示符，当不再减少0时应该停止。XXXXXXX avg
axdxss看到平均损失为0。xxxxxx avg不再减少在许多迭代，然后你应该停止培训。最终的平均损失可能是0.05(对于小模型和容易的数据集)到3.0(对于大模型和困难的数据集)。
这个是超出内存，是因为模型训练送入图像太多，应该减少.cfg文件中的subdivisions数值。
6.2 avg (loss)为nan如果在训练过程中，avg (loss)部分为nan是正常现象，如果都为nan时,可能为学习率太大，应该适当减少学习率，同时应该注意，使用多GPU训练时，学习率应该除以GPU的数量。