如何在暗网中使用预训练的 yolov4 模型训练新课程

Question

我使用 darknet 和 yolov4 为我的用例训练了一个自定义对象检测模型。我在 obj.name 文件中提到了 3 个类，如下所述：

# data/obj.names
no_helmet
helmet
vest

训练完成，检测也取得了不错的效果。

现在，我想在模型中添加 2 个新类，所以我用 2 个新类名更新了类文件：

# data/obj.names
no_helmet
helmet
vest
fire
smoke

我对配置文件进行了更改，并将所有[yolo] 层和之前的[convolutional] 层的classes=3 更新为classes=5 并将filter=24 更新为filter=30。

对于数据集，我只提供了 2 个新类（fire 和 smoke）的图像和注释。

然后我开始了暗网训练，对于权重参数，我提供了旧的 yolov4 训练权重。完成后，我进行了测试，但没有检测到图像中的任何内容。甚至旧课程也不行。

我哪里做错了？

我的感觉是，由于我没有为旧类提供数据集，因此模型忘记了这些。但是，那么它至少应该检测到新的类，对吧？还是我错了？

新编辑：

我再次使用组合数据集（旧的 3 个类和 2 个新类）对预训练的自定义权重（针对前 3 个类进行了训练）进行了训练，当我运行它进行测试时，仍然没有输出。

有人可以向我解释这里发生了什么吗？我在想它背后有一些我不知道的数学。

我每次都必须从头开始训练吗？

Answer 1

从 YOLO 在训练中遵循的过程来看，任何进一步的训练都会增强和修改当前的层，所以如果你添加新的类并重新训练，你将增强现有的类并从头开始创建新的类，这意味着不是所有的类在检测期间将是相同的。我认为最安全的方法是从头开始训练。

Answer 2

您无法在经过训练的模型中插入新类。 当您仅使用 fire 和 smoke 数据集进行训练时，您的配置并未配置为 2 个类，而是为 5 个。可能这就是为什么您在第二次测试中没有得到任何结果的原因。

模型不会忘记，而是使用该重量作为新模型的领先优势。只需使用包含所有已标记类别的数据集再次训练即可。