From 7ad96fb5bf0ae4806abe36ea2c2ee8616a9cb9bb Mon Sep 17 00:00:00 2001
From: Bubbliiiing <47347516+bubbliiiing@users.noreply.github.com>
Date: Mon, 27 Jul 2020 15:30:08 +0800
Subject: [PATCH] Update README.md

---
 README.md | 68 +++++++++++++++++++++++++++++++++++++++++++++----------
 1 file changed, 56 insertions(+), 12 deletions(-)

diff --git a/README.md b/README.md
index 099e428..6e93167 100644
--- a/README.md
+++ b/README.md
@@ -2,14 +2,16 @@
 ---
 
 ### 目录
-1. [所需环境 Environment](#所需环境)
-2. [注意事项 Attention](#注意事项)
-3. [小技巧的设置 TricksSet](#小技巧的设置)
-4. [文件下载 Download](#文件下载))
-5. [训练步骤 How2train](#训练步骤)
-6. [参考资料 Reference](#Reference)
-
-### YOLOV4的改进
+1. [实现的内容 Achievement](#实现的内容)
+2. [所需环境 Environment](#所需环境)
+3. [注意事项 Attention](#注意事项)
+4. [小技巧的设置 TricksSet](#小技巧的设置)
+5. [文件下载 Download](#文件下载))
+6. [预测步骤 How2predict](#预测步骤)
+7. [训练步骤 How2train](#训练步骤)
+8. [参考资料 Reference](#Reference)
+
+### 实现的内容
 - [x] 主干特征提取网络：DarkNet53 => CSPDarkNet53
 - [x] 特征金字塔：SPP，PAN
 - [x] 训练用到的小技巧：Mosaic数据增强、Label Smoothing平滑、CIOU、学习率余弦退火衰减
@@ -22,6 +24,8 @@ keras==2.1.5
 
 ### 注意事项
 代码中的yolo4_weights.h5是基于608x608的图片训练的，但是由于显存原因。我将代码中的图片大小修改成了416x416。有需要的可以修改回来。 代码中的默认anchors是基于608x608的图片的。   
+**注意不要使用中文标签，文件夹中不要有空格！**   
+**在训练前需要务必在model_data下新建一个txt文档，文档中输入需要分的类，在train.py中将classes_path指向该文件**。  
 
 ### 小技巧的设置
 在train.py文件下：   
@@ -35,17 +39,57 @@ keras==2.1.5
 yolo4_weights.h5是coco数据集的权重。  
 yolo4_voc_weights.h5是voc数据集的权重。
 
+### 预测步骤
+#### 1、使用预训练权重
+a、下载完库后解压，在百度网盘下载yolo4_weights.h5或者yolo4_voc_weights.h5，放入model_data，运行predict.py，输入  
+```python
+img/street.jpg
+```
+可完成预测。
+b、利用video.py可进行摄像头检测。  
+#### 2、使用自己训练的权重
+a、按照训练步骤训练。  
+b、在yolo.py文件里面，在如下部分修改model_path和classes_path使其对应训练好的文件；**model_path对应logs文件夹下面的权值文件，classes_path是model_path对应分的类**。  
+```python
+_defaults = {
+    "model_path": 'model_data/yolo4_weight.h5',
+    "anchors_path": 'model_data/yolo_anchors.txt',
+    "classes_path": 'model_data/coco_classes.txt,
+    "score" : 0.5,
+    "iou" : 0.3,
+    # 显存比较小可以使用416x416
+    # 显存比较大可以使用608x608
+    "model_image_size" : (416, 416)
+}
+
+```
+c、运行predict.py，输入  
+```python
+img/street.jpg
+```
+可完成预测。
+d、利用video.py可进行摄像头检测。  
+
 ### 训练步骤
 1、本文使用VOC格式进行训练。  
 2、训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。  
 3、训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。  
-4、在训练前利用voc2yolo3.py文件生成对应的txt。  
-5、再运行根目录下的voc_annotation.py，运行前需要将classes改成你自己的classes。  
+4、在训练前利用voc2yolo4.py文件生成对应的txt。  
+5、再运行根目录下的voc_annotation.py，运行前需要将classes改成你自己的classes。**注意不要使用中文标签，文件夹中不要有空格！**   
 ```python
 classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]
 ```
-6、就会生成对应的2007_train.txt，每一行对应其图片位置及其真实框的位置。  
-7、在训练前需要修改model_data里面的voc_classes.txt文件，需要将classes改成你自己的classes。  
+6、此时会生成对应的2007_train.txt，每一行对应其**图片位置**及其**真实框的位置**。  
+7、**在训练前需要务必在model_data下新建一个txt文档，文档中输入需要分的类，在train.py中将classes_path指向该文件**，示例如下：   
+```python
+classes_path = 'model_data/new_classes.txt'    
+```
+model_data/new_classes.txt文件内容为：   
+```python
+cat
+dog
+...
+```
 8、运行train.py即可开始训练。
 
 ### mAP目标检测精度计算更新
-- 
GitLab