yolov4安装及运行测试

今天我们来实测一下 v 四和 v 八的性能效果，以下测试仅代表个人观点，肯定有其他大佬开发和优化的更好。我们先来训练 v 四模型， v 三和 v 四模型基本是通用的输入宽高统一训练六百四十， 训练起来了，先挂机让他训练吧。 训练了四千次，耗时一个半小时，虚线开始有平缓迹象。测试 b 四模型效果， 这里直接转换成 param 和并格时的模型， 模型识别没有问题。 接下来训练 d 八的模型， 只训练了三分钟， 测试一下模型效果， 模型没有问题了，下面我们来直接对比识别效果。 嗯嗯嗯， 下面我们用代码来调用模型检验识别速度， 我们分别调用 v 四和 v 八进行图片识别，识别一千次求平均耗时， d 四识别一千次，单次平均耗时十毫米。 测试 v 八识别 v 八识别一千次，单次平均耗时十五毫米。 v 四的图片宽高一般使用四幺六， v 八的该参数为六百四十， v 四识别的时候使用四幺六的话，识别速度会更快， 此次平均耗时七点八九毫秒。总结一下此次测评的结论，第八训练速度比第四快非常多，弊端是识别需要附带三 g 的环境包， 在相同参数下，类似的识别速度越快。于力巴最终的识别效果基本上差不多，力似在训练方面所要付出的精力比力巴所需要更多。

今天我们来全面了解和学习一下肉肉工具训练 ai 模型的步骤和方法。本工具只能训练力三和 b 四模型，力四与力八相比，优点是使用方便快捷，不需要安装任何环境和软件。 潜力四模块可以任何电脑直接调用，对机器设备没有要求。力八相对于力四在性能上有所提升，但也需要更高的硬件要求。目前力三力四识别速度最快都在几毫秒以内，识别精度高，并且我们可以通过增加样本、 增加训练数量和制作副样本等方式提高识别精度。下面我们开始训练模型。首先点击自动截图截取图片样本。工具总共提供了五种截图方式，不同的窗口对截图的方式反馈不同，我们可以自行测试 使用哪种方式截图。点击按钮选择我们需要截图的窗口， 接下来点击开始截图即可，工具自动最小化，开始自动截图， 接着正常玩游戏即可。工具自动后台截图，按二加二可以结束截图并查看。刚刚按了快捷键，但是并没有结束截图，而是弹出了文件夹，原因是热键被游戏窗口占用了。我们直接打开软件，点击按钮查看截图即可。 这个就是方式一截取的图片，后面还有几种方式截图可以自行测试， 可以看到这种方式截图下面会有一圈黑边。 第三种可以自行选择区域截图， 下面我们正式开始提取样本，使用第一种方式截图， 接着正常玩游戏即可。 打开软件查看截图 图片，样本获取完成，准备开始标注样本， 点击手动标注创建项目名称， 打开图库，将样本图片 剪切进图库文件夹， 刷新图库，开始标记图片。 滚轮缩放图片，鼠标右键按住拖放图片 a 键切换上一张， d 键切换下一张。 鼠标右键添加分类， 输入我们要识别的目标分类 画板上侧有快捷键提示， 选中分类，然后框出图片内的目标，按 ask 默认删除最近化的一个标注框， 如果标注框被选中则是删除选中的标注框， 按空格键则会自动跳转到下一个未标注的图片。每个标注框可以自由变换形状或者位置。 按住 c、 t、 r、 l， 可以批量选中标注框进行批量操作。 按 ask 也可以 批量删除 此功能。可以自由跳转到某个图片位置， 或者搜索带某个字符名字的图片位置， 此功能可以删除整个项目。 下面选择分类，开始标注， 点击此处可以锁定图片的位置和大小， 不需要的图片直接按得利删除样本。 我们可以右键复制标注框，快速标注。 我们还可以把任意的标注框组成数据组， 修改数据组的备注， 在其他图片也可以直接粘贴某个数据组。 继续把我们要标注的目标全部框出来， 我们可以通过复制、移动拉伸、变换、创建数据组粘贴等方式来提升标注的效率。 标注了将近一半，不想标注了，我们用个洁净的方法，我们来演示一下如何用自动标注进行标记。 先创建一个文件夹，把我们的样本数据集先保存下来， 接着把我们这个数据集中没有标记的图片全部删除掉。我们进行训练的数据集图片必须是全部标注完的。好了，现在我们这四十一张图片是全部标注完成了的。 点 机上面的训练页面 我们可以看到训练分了快速识别和精确识别，以及使用 cpu 还是 gpu。 训练 同时支持 b 四模型的训练， 可以查看每个参数的含义。 如果你想更改更多参数，可以生成 c f g 网络文件，直接在文件中 更改， 此按钮可以加载任何 c f g 文件进行训练。 b 三和 b 四模型是通用的，建议使用 b 三训练。如果你是新手，可以直接点开始训练即可。初始参数已经全部设置好了， 如果出现这个页面不动，请耐心等待几分钟。这是因为电脑首次训练工具正在自动后台配置环境 开始训练了。 曲线图上面有两个值，一个是 los 值， los 值越低识别越准确。另一个值是训练的次数， 训练是以百次为单位的，至少训练一百次才会生成模型文件。 los 值是浮动变化逐渐下降，最后趋于平缓， 我们也可以随时中断训练。测试模型，如果模型识别不到，可以回来点击继续训练。 提取我们训练好的模型进行备用。 点击模型测试来测试我们的模型识别效果， 可以看到能准确的识别到 我们来直接识别游戏画面， 点击按钮将画面载入，工具 提示我们未加载模型，我们把模型拖动载入 画面与游戏同步，且可以准确识别到。 我们也可以直接在游戏画面上识别。 游戏画面上出现了绘制图形， 我们可以看到绘制的图形和实际进行了偏移，这是因为截图识别尺寸和绘制透明画板的尺寸不一致，我们实际运用中可以更改截图函数，或者对识别结果进行偏移等多种方法处理。 下面我们来演示一下 gpu 识别的方法。点击此处进行模型转换。 gpu 识别的模型格式为 power 格变格式， 转换生成的模型中有带 app 的，这是优化后的模型。 将模型拖动载入， 选择游戏画面，开始识别。 可以看到识别耗时大概是十二毫秒左右，此电脑的显卡为 g t x 幺六六零，如果是 r t x 三零六零的话，识别时间大概为五毫秒。 四十张图片训练的模型识别基本没有问题。 到此我们的模型训练已经完成， 下面演示一下自动标注功能。 新创建一个项目， 重新导入图片， 添加我们要识别的分类， 提示我们未加载模型，将我们已有的模型加载进来， 点击自动识别，自动识别出来的就是已经标记完成， 这样可以极大地提高标注效率。 如果有不合理的，手动调整一下即可。 我们也可以直接点击全部标注， 自动将我们的数据集全部标注完毕。 已经全部自动标注完毕了，接下来自己审核一遍自动标注的样本，对不合理的进行调整即可。 比如这张自动标注漏了，我们自己补上这张也有一点问题， 自动标注还可以只识别我们指定的种类。假如我新建一个种类， 我想让自动标注 只识别其中的蘑菇，这里可以勾选你要识别的种类， 比如自动识别只勾选人物和怪物， 自动识别的时候也只会给你标记人物和怪物， 我们还可以修改分类的名字来进行其他种类的标记。 通过这个方法我们可以随心所欲的进行标记， 比如我们的样本有一千张图片，我们可以先用五十张图片训练一个模型，再用这个模型去自动标记这一千张图片，能极大的提高标注效率。工具的其他功能就不再做讲解，有兴趣的可以看往期视频进行学习。

今天我们来学习一下 rolo 八的训练和钓友训练，不需要安装任何软件和环境，打开 rolo 综合工具，上一节课我们已经标注完毕了该项目的所有图片。 点击训练栏，工具提供了 v 三、 v 四以及 v 八的训练功能。 v 八训练需要选择，我们训练的环境包现在是空白的，打开 v 八环境目录，将环境包直接解压进去即可。 这里提供了三个环境包，每个环境包大概有三 g， 因为体积大，故未将环境包与软件打包在一起。 切换一下选项，刷新显示， 直接点击开始训练。训练报错了，原因是力巴训练路径需要全英文， 点击项目更名，更改项目名称为英文名字， 重新点击开始训练。 训练框停在此处无法继续，那么我们更换一个环境宝， 训练成功了，接下来我们耐心等待即可。 训练了五十次，耗时两分钟， 下面我们测试一下 b 八模型的效果， 可以看到能够准确识别出目标。 我们测试一下直接识别视频，将视频画面抓图进工具中，可以看到方式一为黑屏抓取失败使用方式二可以抓取进工具中， 点击开始识别。 我们再试一下直接在视频画面上识别 v 八模型，只训练了两分钟即可准确识别目标。 来来来来， 下面演示如何使用代码来调用模型进行识别。首先将模型提取出来，方便代码调用。 点击提取模型， 将 name 模型和 p t 模型复制出来备用， 两个模型均可变死是最好的模型， last 是最后的模型。 代码识别需要调用模块准备好， roof 八模块 准备好，我们要测试识别的图片。 打开异语言，开始写代码来调用模型识别。 首先加载模块， 模块我已经写好了，集合了类似 cpu， gpu 分类识别以及力巴的识别 创建程序及变量。 role of 八类， ulon 八初始化， 填入我们所需要的环境包路径， 其余两个参数可以 不甜。 加载模型， 填入模型文件的路径 识别，模型加载后会返回一个编号，我们可以同时加载多个模型， 任何时候你想用哪个模型识别，就填那个模型对应的缩影编号就行了。 读入我们要 识别的图片， 识别到的结果将会返回到这个参数之中。 开始运行代码， 点击按钮可以看到调试输出已经识别到了结果。 我们把模型路径改成中文，看有没有影响。 没有影响， 下面演示一下如何继续训练， 直接点击继续训练即可， 这样我们就可以随时关闭训练和继续训练了， 这些都是训练生成的文件，边训练边验证识别效果。