一、前言
yolofastest网上资料比较少，也没有视频教学，所以想要使用参考了很多资料，只能说各资料都不尽全，让刚接触的小白无从下手。
参考资料:
github地址
yolo-fastest 快速上手
修改参数遇到的问题
能在ARM-CPU上实时识别图像的深度学习算法之yolo-fastest
手把手教你在服务器上用YOLOv4训练和测试数据集（保姆级）最好的一集
VOC2007数据集详细分析
训练的时候遇到的问题
二、准备工作
环境首先要配置好，否则一行代码也运行不了，而且遇到各种错误还是那种无法解决的，忙活一天结果发现是环境的问题，全是无用功了是，我研一同学都这么说，明明忙乎一天，但实际没什么进度，真是要功劳有苦劳，但除你自己外都是唯结果论，还好师兄很耐心容忍我的菜。本人环境如下：
1.linux
2.cuda11.8+cudnn
3.opencv
4.vscode
三、测试
1、克隆代码
git clone https://github.com/dog-qiuqiu/Yolo-Fastest
然后你就获得到名为Yolo-Fastest的文件夹，文件目录结构如下
2、编辑makefile文件并make
切换到Yolo-Fastest文件目录下，编辑makefile文件（重点）
GPU=1
CUDNN=1
CUDNN_HALF=0
OPENCV=1
AVX=1
OPENMP=0
LIBSO=0
ZED_CAMERA=0
ZED_CAMERA_v2_8=0# set GPU=1 and CUDNN=1 to speedup on GPU
# set CUDNN_HALF=1 to further speedup 3 x times (Mixed-precision on Tensor Cores) GPU: Volta, Xavier, Turing and higher
# set AVX=1 and OPENMP=1 to speedup on CPU (if error occurs then set AVX=0)
# set ZED_CAMERA=1 to enable ZED SDK 3.0 and above
# set ZED_CAMERA_v2_8=1 to enable ZED SDK 2.XUSE_CPP=0
DEBUG=0# ARCH= -gencode arch=compute_35,code=sm_35 \
# -gencode arch=compute_50,code=[sm_50,compute_50] \
# -gencode arch=compute_52,code=[sm_52,compute_52] \
# -gencode arch=compute_61,code=[sm_61,compute_61]OS := $(shell uname)# GeForce RTX 3070, 3080, 3090
ARCH= -gencode arch=compute_86,code=[sm_86,compute_86]#后面的内容我就不写了我修改的地方如下，别的地方都没动
1、ARCH参数，makefile文件里都有自己显卡相对应的参数，找到自己显卡型号然后把相应的注释去掉就行，然后把上面的ARCH注释掉，只保留自己显卡对应的ARCH，比如我的RTX3090就是上面。
2、NVCC=/usr/local/cuda-11.8/bin/nvcc nvcc修改成自己的cuda相对应版本
3、全局搜索，makefile文件中的cuda修改成cuda-11.8，例如CFLAGS+= -DCUDNN -I/usr/local/cuda-11.8/include
修改完成之后，执行make -j，这时候可能会遇到一些错误，报什么错误就搜索一下，我之前遇到的错误就是显卡驱动未更新、ARCH未修改、opencv没安装之类的错误，总之就是环境错误，一定要把环境先配置好。执行完之后会出现darknet文件，这时候就可以进行测试了。
3、进行测试
官方文档上写bash image_yolov4.sh，那看一下这个文件里写了什么内容：
./darknet detector test ./cfg/coco.data ./cfg/yolov4.cfg ./yolov4.weights data/dog.jpg -i 0 -thresh 0.25
在看一下啊，但是咱没有yolov4.weights这个权重文件呀，这个文件还是我之前上网搜索然后下载粘贴到文件下的，官方文档也不怎么靠谱。这个权重文件也放下面吧。
链接：https://pan.baidu.com/s/1xzsaSzV7jLoBTZA-JLXXfA
提取码：s5zw
测试没什么问题就可以训练自己的数据了，在这里只写图片。
训练数据
1、获取预训练权重文件
文档上是这么写的：
./darknet partial yolo-fastest.cfg yolo-fastest.weights yolo-fastest.conv.109 109
但是欸，看一下咱们的文件目录结构，这个什么yolo-fastest.cfg、yolo-fastest.weights，没有这俩文件啊！报错就是cant open file，你说说这怎么办，文档写的个啥，cfg文件里也没有这俩啊，我就找了挺久，以为这俩文件也能上网跟yolov4.weights一样能搜到下载呢，但是搜不到，寄。后来查看文件夹，找到了。
藏得挺深，在这个文件夹里，好了，咱们把上面的权重文件和cfg放到Yolo-Fastest的目录下并重命名在执行代码。
这样就获取到yolo-fastest.conv.109文件了，也不知道为啥一定要这样命名。
2、准备数据集
要准备哪些？步骤省略，我是师兄给我的，我也不知道怎么制作数据集。最终需要的文件如下（红色框框）：
其中重要的是obj.data文件
准备好之后，把这些文件都放入data文件夹中。
3、修改cfg文件
在进行训练之前，要修改cfg中的参数
cfg文件中的参数注释
我在这里修改了通道数以及classes，注意修改了classes之后还需要修改filters参数，我之前就没修改filters参数，就会报错Error: l.outputs == params.inputs filters= in the [convolutional]-layer doesn't correspond to classes= or mask= in [yolo]-layer。
以下是解决方案，参考一下触类旁通举一反三。filters=(classes+5)×3。
吐槽一下， 还vip收费文章被恶心到了gdx
但是我在cfg文件里，看到有非常多的filters怎么办，另外classes有两处，都需要修改的，filters就是在两个classes上面，这两处。
好了准备工作都完成了。
4、训练
文档上是这么写的
./darknet detector train voc.data ./Yolo-fastest/VOC/yolo-fastest.cfg yolo-fastest.conv.109
但是，咱们的data和cfg文件不是上面写的，需要改成自己的。
./darknet detector train data/obj.data yolo-fastest.cfg yolo-fastest.conv.109
运行，结果报错了！
它说了，If error occurs- run training with flag: -dont show好，那么就加上这句
./darknet detector -dont_show train data/obj.data yolo-fastest.cfg yolo-fastest.conv.109
好了没有错误了，训练好的模型文件将会保存在backup文件夹下面。训练的差不多了，打开backup文件夹看一下。
感觉差不多了就ctrl+c停止训练，然后看一下成果。
5、检验成果
获取mAP指标
./darknet detector map data/obj.da ta ModelZoo/yolo-fastest-1.1_coco/yolo-fastest-1.1.cfg backup/yolo-fastest-1_10000.weights -points 11
./darknet detector map data/obj.data yolo-fastest.cfg backup/yolo-fastest_1000.weights -points 11
坏了，他这个怎么显示，mAP是0呢，中间肯定出错了。
从头梳理一遍，我生成darknet，进行小狗图片测试成功，darknet文件是没错的；
其次是获取预训练权重文件、准备数据集和修改cfg文件。好，我就直接说之前错误的原因吧：
1、没有准备test.txt（一开始只有train.txt），obj.data中没有valid这一行。
2、我先修改了cfg再获取的预训练权重文件。
这两个错误以后要避免！另外不一定要等到训练很久之后检验mAP的时候才发现错误。出现如下错误就要及时停止：
1、Yolo-Fastest/chart_yolo-fastest.png这个文件的图像不正常，正常的如下，否则停止修改错误再训练
2、控制台出现以下错误
重新修改好错误重新训练，获取mAP数据如下，效果不错。
./darknet detector map data/obj.data yolo-fastest.cfg backup/yolo-fastest_last.weights -points 11
