YOLOv4-tiny-PyTorch 使用教程

1. 项目目录结构及介绍

该项目的目录结构如下：

├── cfg                 # 配置文件夹
│   ├── yolov4-tiny.yaml    # YOLOv4-tiny 模型配置文件
├── detect.py           # 推理脚本
├── models               # 模型定义文件夹
│   ├── yolo.py          # YOLO 模型相关定义
├── train.py             # 训练脚本
└── ...                  # 其他支持文件和示例数据

• cfg: 存放YOLOv4-tiny模型的配置文件。
• detect.py: 用于加载预训练权重并进行推理的Python脚本。
• models: 包含了模型结构的定义。
• train.py: 开发者提供的训练脚本，可以用来训练自定义数据集。

2. 项目的启动文件介绍

train.py

这是训练脚本，主要功能是：

1. 加载配置文件：通过parse_cfg()函数解析.yaml配置文件。
2. 初始化模型：根据配置文件创建Model对象。
3. 准备数据集：设置数据加载器（Dataloader）。
4. 训练模型：调用train()函数迭代执行训练过程。

启动训练的命令示例：

python train.py --config yolov4-tiny.yaml --dataset your_dataset_path --weights pretrain_weight.pth

detect.py

这是预测脚本，用于测试模型的推理性能。它接收预训练权重路径和待检测图片或目录作为输入参数，然后显示检测结果。

运行推理的命令示例：

python detect.py --weights best.pt --source test_images/

3. 项目的配置文件介绍

配置文件yolov4-tiny.yaml包含了关于模型结构和训练参数的重要信息，例如：

• ANCHORS: 定义了YOLOv4-tiny的先验框大小。
• STRIDES: 控制特征图的步长。
• NUM_CLASSES: 类别的数量，需要对应你的数据集类别。
• BACKBONE: 使用的基础模型，这里是YOLOv4-tiny的架构。
• OPTIM: 优化器类型，如SGD或Adam。
• LR: 初始学习率。
• BATCH_SIZE: 训练批次大小。
• EPOCHS: 训练轮数。

根据实际需求，您可能需要修改这些参数以适应不同的数据集和计算资源。记得在训练前保存配置更改到配置文件中。