yolov1到yolov3的梳理：YOLO总结，从YOLOv1到YOLOv3_追忆苔上雪的博客-CSDN博客

首先说一点，就是yolov4的分支有点多，先梳理一下出现的顺序。

Alexey Bochkovskiy 提出了YOLOv4

然后针对YOLOv4的模型缩放(model scale)，提出了Scaled-YOLOv4

Scaled-YOLOv4针对低端、一般、高端GPU分别设计了3个模型，

分别是：YOLOv4-CSP 、 YOLOV4 -tiny、YOLOv4-large

再说一点，论文给的网站，要拖到下面才能找到pytorch版本的代码

yolov4论文：https://arxiv.org/abs/2004.10934

scale-yolov4论文：https://arxiv.org/abs/2011.08036

后续用下面这个版本的做例子：GitHub - WongKinYiu/PyTorch_YOLOv4: PyTorch implementation of YOLOv4，这就是论文的二作复现的

yolov4-csp:GitHub - WongKinYiu/ScaledYOLOv4 at yolov4-csp

yolov4-large:GitHub - WongKinYiu/ScaledYOLOv4: Scaled-YOLOv4: Scaling Cross Stage Partial Network

yolov4-tiny:GitHub - WongKinYiu/ScaledYOLOv4 at yolov4-tiny

(1)yolov4相比yolov3的改善

YOLOv4是YOLOv3的加强版，其主要在YOLOv3的基础上添加了一系列的小改进。因此YOLOV4与YOLOV3整体的预测思路是没有差别的!解码的过程甚至一模一样。

YOLOv4的小改进遍布方方面面，主要有以下几点:

（1）主干特征提取网络的改进

由Darknet53改成了CSPDarknet53

（2）加强特征提取网络的改进

使用了SPP和PANet结构

（3）数据增强方面的改进

使用了Mosaic数据增强

（4）LOSS方面的改进

使用了CIOU作为回归LOSS

（5）使用了MISH激活函数

(2)利用coco128复现pytorch版本yolov4

yolov4-pytorch下载：GitHub - WongKinYiu/PyTorch_YOLOv4: PyTorch implementation of YOLOv4，这就是论文的二作复现的

关于环境的配置这里省去

（1）权重文件的下载

权重文件网上有资源

（2）数据集处理

这里使用coco128数据集复现，该数据集小，对电脑或者服务器处理压力比较友善

打开train.py文件，注意到这里使用了yaml文件对数据集的信息进行处理

打开coco.yaml文件，可以看到数据集信息都放这里面了，根据注释，我们将coco128的图片路径放进去，这个路径自己改，我是用的绝对路径，由于coco128只有train2017,训练集验证集测试集我们就用这一个

（3）train.py训练报错

如果出现相关报错，可以参考一下下面的，下面没有就自己查一下。

1.BrokenPipeError: $Errno 32$ Broken pipe

将works数值改成0

2.RuntimeError: indices should be either on cpu or on the same device as the indexed tensor (cpu)

这个错误的意思就是部分在GPU上运行，部分在CPU上运行；

定位到loss.py的报错之处

在上图的红框处加一行代码

3.RuntimeError: result type Float can't be cast to the desired output type long int

这个版本的torch不支持float直接转换为long int 型数据，所以这需要我们手动转换数据类

定位到错的地方

打开还是loss.py里的错，但不是改上面那一行

找到下面这一行

改成这样

4.torch.cuda.OutofMemoryError:CUDA out of memory. Tried to allocate 20.00 MiB (GPU 0; 15.77 GiB total capacity; 14.44 GiBalready allocated; 10.69 MiB free; 14.69 6iB reserved in total by PyTorch) If reserved memory is >> allocated memory trysetting max_split_size_mb to avoid fragmentation.See documentation for Memory Management and PYTORCH CUDA ALLOC CONF

显存爆了，换个小点的batch_size=1，还是报错

于是注意到了报错中的这一句

If reserved memory is >> allocated memory trysetting max_split_size_mb to avoid fragmentation

代表目前可分配的显存足够，但是因为碎片化无法分配，需要整理碎片化显存，释放出能够用于运行的容量。

咱们代码的开头加这么一行代码，将小于128Mb大小的空闲显存block重新分配

开始训练的地方也加这么两行，清理缓存

5.TypeError: list indices must be integers or slices, not float

定位到报错位置

改成下面这个

6.RuntimeError: Trying to create tensor with negative dimension -1919062876: [-1919062876)

找到test.py置信度阈值

改成0.01，见下图

7.AttributeError: 'list' object has no attribute 'items'

定位到错误之处，又是这个地方，人都麻了

改成下列代码

python 复制代码

# W&B logging
if plots and len(wandb_images) < log_imgs:
    box_data = [{"position": {"minX": xyxy[0], "minY": xyxy[1], "maxX": xyxy[2], "maxY": xyxy[3]},
                    "class_id": int(cls),
                    "box_caption": "%s %.3f" % (names[int(cls)], conf),
                    "scores": {"class_score": conf},
                    "domain": "pixel"} for *xyxy, conf, cls in pred.tolist()]
    # if necessary, create a dict using list indices as keys, so it can be queried almost exactly like a list 
    if type(names) == type([]):
        names_dict = {idx:val for idx, val in enumerate(names)}
        boxes = {"predictions": {"box_data": box_data, "class_labels": names_dict}}
    else:
        boxes = {"predictions": {"box_data": box_data, "class_labels": names}}
wandb_images.append(wandb.Image(img[si], boxes=boxes, caption=path.name))