YOLOv4网址：https://github.com/AlexeyAB/darknet
如果安装了Git软件，可直接克隆项目到本地：
nvcc -V
git clone https://github.com/AlexeyAB/darknet
在C:\Users\lindsay\Desktop\darknet_yolov4\darknet\build\darknet目录下使用vs2019打开sln文件
打开后如图
点击重新生成，然后就会在C:\Users\lindsay\Desktop\darknet_yolov4\darknet\build\darknet\x64下生成darknet.exe文件
使用PASCAL VOC数据集的目录结构:
建立文件夹层次为 C:\Users\lindsay\Desktop\darknet_yolov4\darknet\build\darknet\x64\VOCdevkit\VOC2007
VOC2007下面建立两个文件夹：Annotations和JPEGImages
JPEGImages放所有的训练和测试图片；Annotations放所有的xml标记文件
在C:\Users\lindsay\Desktop\darknet_yolov4\darknet\build\darknet\x64目录下执行
python genfiles.py
在VOCdevkit \ VOC2007目录下可以看到生成了文件夹labels ，同时在darknet下生成了两个文件2007_train.txt和2007_test.txt。
2007_train.txt和2007_test.txt分别给出了训练图片文件和测试图片文件的列表，含有每个图片的路径和文件名。
另外，在VOCdevkit\VOC2007\ImageSets\Main目录下生产了两个文件test.txt和train.txt，分别给出了训练图片文件和测试图片文件的列表，但只含有每个图片的文件名（不含路径和扩展名）。
labels下的文件是images文件夹下每一个图像的yolo格式的标注文件，这是由annotations的xml标注文件转换来的。
最终训练只需要：2007_train.txt，2007_test.txt，labels下的标注文件和 VOCdevkit\VOC2007\JPEGImages下的图像文件。
1）新建data\voc.names文件
可以复制data\voc.names再根据自己情况的修改；可以重新命名如：data\voc_ship.names
2）新建 data\voc.data文件
可以复制data\voc.data再根据自己情况的修改；可以重新命名如：data\voc_ship.data
3）新建cfg\yolov4-voc.cfg
可以复制cfg\yolov4-custom.cfg再根据自己情况的修改；可以重新命名cfg\yolov4_ship.cfg：
batch=64 subdivisions=64 （如果显存溢出改为16）
max_batches = 2000（这里为2000乘以类别数）
steps=1600,1800（这里为max_batches的百分之80和90）
在Darknet中，batch和subdivisions是结合使用的，例如这儿的batch=64，subdivisions=16表示训练的过程中将一次性加载64张图片进内存，然后分16次完成前向传播，意思是每次4张，前向传播的循环过程中累加loss求平均，待64张图片都完成前向传播后，再一次性后传更新参数。
subdivisions一般设置16，根据尝试，通常设置为8的倍数，batch的值可以根据显存占用情况动态调整，一次性加减subdivisions大小即可，通常情况下batch越大越好，还需注意一点，在测试的时候修改batch和subdivisions参数为1，避免发生错误。
width也可以设置为不等于height，通常情况下，width和height的值越大，对于小目标的识别效果越好，但受到了显存的限制，读者可以自行尝试不同组合。一次为跑完一个batch，训练次数达到max_batches后停止学习。
在cfg\yolov4_ship.cfg文件中，三个yolo层和各自前面的convolutional层的参数需要修改：
三个yolo层都要改：yolo层中的classes为类别数，每一个yolo层前的convolutional层中的filters =（类别+5）* 3
例如：
yolo层 classes=1， convolutional层 filters=18
1）下载预训练权重文件
yolov4.conv.137
放置在C:\Users\lindsay\Desktop\darknet_yolov4\darknet\build\darknet\x64目录下
这里的训练使用迁移学习，所以下载的yolov4在coco数据集上的预训练权重文件（不含全连接层）
2）训练网络
darknet.exe detector train data\voc_ship.data cfg\yolov4_ship.cfg backup\yolov4.conv.137 -map
如需要显示训练过程的map变化，在命令末尾加-map
整个训练如下图所示：
由于我是中断后在训练的，所以前面的chart被更新了，只剩下后面的chart
断点训练命令如下：
darknet.exe detector train data\voc_ship.data cfg\yolov4_ship.cfg backup\yolov4_ship_last.weights -map
以下为训练完的权重文件
训练好后可以在backup目录下看到权重文件。
尝试test前要修改cfg文件，切换到test模式。可以重新建立一个测试cfg文件, 如yolov4-ballship.cfg
设置：
batch=1 subdivisions=1
运行命令
darknet.exe detector test data\voc_ship.data cfg\yolov4_ship_test.cfg backup\yolov4_ship_last.weights testfiles\000678.jpg
当报显存满的错误时，我调节batch并没有解决问题，我降低了网络的输入大小为320*320解决的这个问题，但是训练出来的模型明显对小目标不太鲁棒。
一起开启新世界的大门吧