BBYOLO标注训练工具[windows]

软件简介

BBYOLO标注训练工具是一款集YOLO图像快速标注和训练的工具，工具内置了基于YOLOV4CPU制作的自动标注实现快速自动标注，另外还有丰富的截图功能方便图像采集。

食用说明

图像采集

1、拖动圆形图标置需要截图的窗口后放开。
2、根据自己需求调整“截图方式”、“文件命名”、“保存格式”。
3、点击“选择”修改“保存目录”。
4、“手动截图快捷键”编辑框输入按键手动截图,“退格键”取消热键。
5、“自动截图编辑框”输入时间可进行自动截图(单位毫秒,-1停止)。

图像标注

1、点击“选择项目”可以新建或者打开已创建的目录。
2、点击“打开项目”把图片放入“img”文件夹内然后点击“刷新图库”，在右侧“分类设置”中点击“添加分类”输入类名、颜色，不需要可点击“删除尾行”。
3、点击“创建区块”或快捷键“W”拖动鼠标标注(右键可取消)，快捷键功能边上有标注不再复述，点击已创建的区块可“复制区块”、“删除区块”。
4、点击已创建区块右键菜单可进行“添加固定标注”、“分类转换”。
5、固定标注说明 在“标注设置”中“固定标注”可以点击分类类名进行添加固定标注，“添加”、“删除选中”按钮进行固定标注添加删除。
6、自动标注说明 在“标注设置”中“自动标注”点击“选择”按钮分别导入已训练好的“cfg”和“weights”文件点击“开始”进行训练。
7、特别提醒 除自动标注外标注好区块后记得手动点击“保存”或者快捷键“S”进行保存，否则不会保存。
8、快捷键说明，图像标注中的快捷键都需要先点击图像后才能使用，分类快捷切换直接按数字(非小键盘数字按键)，序号从0开始，如果是11就按2次1数字键就可以。

模型训练

1、选择“模型配置”一般默认根据自己显卡配置调整“batch”和“subdivisions”并且调整“训练次数max”。
2、如果配置修改错误可以点击“初始化配置”来还原配置。
3、点击“开始训练”等待loss曲线图出现即可,“继续训练”同理。
4、训练完成后可以点击“提取模型”获取3个数据文件。
5、无法正常训练多半是缺少VS运行库，常见于win7或者精简版系统，请下载安装“微软VC++运行库合集”，也有可能是环境包版本不匹配。
6、如若弹出cmd运行框，而未弹出loss曲线图，请耐心等待，首次加载训练较慢。
7、训练前请检查左边的cfg配置 查看是否正确 预防各种错误。
8、如果使用基础包，请检查显卡驱动 驱动更新到最新，显卡驱动英伟达官网下载地址:https://www.nvidia.cn/Download/index.aspx?lang=cn
9、微软VC++运行库合集:https://baoku.360.cn/soft/show/appid/104698064
10、指定显卡/多显卡: 多显卡可以使用 0,1,2,3 每个显卡已,隔开 如果是指定填写第几张显卡 0
11、batch:显存越小调越小 2.4.8.16.32.64 显存不够可减小，但会出现Nan问题（解决办法：增大batch)
12、subdivisions:显存越小调越大 2.4.8.16.32.64 训练迭代包含16组，每组4张图片
13、filters:3*(类别数量+5)—-自动对齐设置软件训练无需填改
14、classes:类别数量—-自动对齐设置软件训练无需填改
15、random:如果显存很小，将random设置为0，关闭多尺度训练;将random设置为1，开启多尺度训练（效果会好很多，要求显存大）
16、width(宽度) height(高度):显存不够可减小（显存越小调越小）320*320、416*416、512*512、608*608、832*832…(32倍数)

参数说明

-----------------------训练说明-----------------------

训练前请检查左边的cfg配置 查看是否正确 预防各种错误。

指定显卡/多显卡: 多显卡可以使用 0,1,2,3 每个显卡已,隔开 如果是指定填写第几张显卡 0

batch:显存越小调越小 2.4.8.16.32.64 显存不够可减小，但会出现Nan问题（解决办法：增大batch)

subdivisions:显存越小调越大 2.4.8.16.32.64 训练迭代包含16组，每组4张图片

filters:3*(类别数量+5)----自动对齐设置软件训练无需填改

classes:类别数量----自动对齐设置软件训练无需填改

random:如果显存很小，将random设置为0，关闭多尺度训练;将random设置为1，开启多尺度训练（效果会好很多，要求显存大）

width(宽度) height(高度):显存不够可减小（显存越小调越小）320*320、416*416、512*512、608*608、832*832...(32倍数)

[net]
# Testing                    ###    测试模式
# Training                   ###    训练模式
# batch=64
# subdivisions=16
 
---------------------------------------------------------------------------------------------------------
batch=64                     ###    每一次迭代送到网络的图片数量，也叫批数量。增大这个可以让
                             ###    网络在较少的迭代次数内完成一个epoch。在固定最大迭代次数的
                             ###    前提下，增加batch会延长训练时间，但会更好的寻找到梯度下降的
                             ###    方向。如果你显存够大，可以适当增大这个值来提高内存利用率。
                             ###    这个值是需要大家不断尝试选取的，过小的话会让训练不够收敛，
                             ###    过大会陷入局部最优。
 
subdivisions=32              ###    这个参数很有意思的，它会让你的每一个batch不是一下子都丢到
                             ###    网络里。而是分成subdivision对应数字的份数，一份一份的跑
                             ###    完后，在一起打包算作完成一次iteration。这样会降低对显存的
                             ###    占用情况。如果设置这个参数为1的话就是一次性把所有batch的
                             ###    图片都丢到网络里，如果为2的话就是一次丢一半。
 
    
                             ###    batch/subdivisions作为一次性送入训练器的样本数量,
                             ###    如果内存不够大，则会将batch分割为subdivisions个子batch
---------------------------------------------------------------------------------------------------------
width=32                     ###    input图像的宽
height=32                    ###    input图像的高
channels=3                   ###    input图像的通道数 3为RGB彩色图片，1为灰度图，4为RGBA图，A通道表示透明度
 
                             ###    以上三个参数为输入图像的参数信息width和height影响网络
                             ###    对输入图像的分辨率,从而影响precision,只可以设置成32的倍数
---------------------------------------------------------------------------------------------------------
momentum=0.9                 ###    冲量。DeepLearning1中最优化方法中的动量参数，这个值影响着梯
                             ###    度下降 到最优值得速度,冲量的建议配置为0.9。
 
decay=0.0005                 ###    权值衰减。使用的目的是防止过拟合，当网络逐渐过拟合时网络权值往往会变
                             ###    大，因此，为了避免过拟合，在每次迭代过程中以某个小因子降低
                             ###    每,decay参数越大对过拟合的抑制能力越强
                             ###    个权值，也等效于给误差函数添加一个惩罚项，常用的惩罚项是所有
                             ###    权重的平方乘以一个衰减常量之和。权值衰减惩罚项使得权值收敛到较小的绝对值。
 
angle=180                    ###    图片角度变化，单位为度，假如angle=5,
                             ###    就是生成新图片的时候随机旋转-5~5度 
---------------------------------------------------------------------------------------------------------
saturation = 1.5
exposure = 1.5               ###    饱和度与曝光变化大小，tiny-yolo-voc.cfg中1到1.5倍,
                             ###    以及1/1.5~1倍 
 
hue=.1                       ###    色调变化范围,tiny-yolo-voc.cfg中-0.1~0.1 
 
 
                             ###    在每次迭代中，会基于角度、饱和度、曝光、色调产生新的训练图片。
---------------------------------------------------------------------------------------------------------
 
learning_rate=0.001          ###    初始学习率。训练发散的话可以降低学习率。学习遇到瓶颈，loss不变   
                             ###    的话也可以减低学习率。
 
                             ###    学习率决定了参数移动到最优值的速度快慢，如果学习率过大，
                             ###    很可能会越过最优值导致函数无法收敛，甚至发散；反之，
                             ###    如果学习率过小，优化的效率可能过低，算法长时间无法收敛，
                             ###    也易使算法陷入局部最优（非凸函数不能保证达到全
                             ###    局最优）。合适的学习率应该是在保证收敛的前提下，能尽快收
                             ###    敛。设置较好的learning rate，需要不断尝试。在一开始的时
                             ###    候，可以将其设大一点，这样可以使weights快一点发生改变，在
                             ###    迭代一定的epochs之后人工减小学习率。在yolo训练中，网络训
                             ###    练160epoches，初始学习率为0.001，在60和90epochs时将学习率除以10。
 
 
burn_in=1000                 ###    在迭代次数小于burn_in时，其学习率的更新有一种方式，大于
                             ###    burn_in时，才采用policy的更新方式
 
max_batches = 50000          ###    最大迭代次数。训练达到max_batches后停止学习
policy=steps                 ###    学习策略，一般都是step这种步进式。
                             ###    有policy：constant, steps, exp, poly, step, sig, RANDOM，constant等方式
 
steps=100, 25000, 35000      ###    学习率变化时的迭代次数
scales=10,.1,.1              ###    学习率变化的比率。这两个是组合一起的，举个例子：learn_rate: 0.001,
                             ###    step:100,25000,35000   scales: 10, .1, .1 这组数据的
                             ###    意思就是在0-100次iteration期间learning rate为原始0.001，
                             ###    在100-25000次iteration期间learning rate为原始的10倍0.01,
                             ###    在25000-35000次iteration期间learning rate为当前值的0.1倍,
                             ###    就是0.001， 在35000到最大iteration期间使用learning rate为
                             ###    当前值的0.1倍，就是0.0001。随着iteration增加，降低学习率可以
                             ###    是模型更有效的学习，也就是更好的降低train loss。
 
[convolutional]
batch_normalize=1            ###    是否做BN
filters=32                   ###    输出多少个特征图
size=3                       ###    卷积核的尺寸
stride=1                     ###    做卷积运算的步长
pad=1                        ###    如果pad为0,padding由 padding参数指定。如果pad为1，padding大小为size/2
activation=leaky
 
......
......
 
[convolutional]
size=1
stride=1
pad=1
filters=27                    ###    每一个[region/yolo]层前的最后一个卷积层中的
                              ###    filters=(classes+1+coords)*anchors_num,
                              ###    其中anchors_num 是该层mask的一个值.如果没有mask
                              ###    则 anchors_num=num是这层的ancho5的意义是5个坐标，
                              ###    论文中的tx,ty,tw,th,to。 3*(5+len(classes))
 
activation=linear             ###    激活函数-activation
                              ###    包括logistic, loggy, relu, elu, relie, plse, hardtan
                              ###    ,lhtan, linear, ramp, leaky, tanh, stair
 
 
[yolo]                        ###    在yoloV2中yolo层叫region层
mask = 6,7,8                  ###    当前属于第几个预选框,这一层预测第7、8、9个 anchor boxes,
                              ###    每个yolo层实际上只预测3个由mask定义的anchors
 
anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
                              ###    预测框的初始宽高，第一个是w，第二个是h，总数量是num*2,
                              ###    YOLOv2作者说anchors是使用K-MEANS获得，其实就是计算出
                              ###    哪种类型的框比较多,可以增加收敛速度,如果不设置anchors,
                              ###    默认是0.5;
 
classes=4                     ###    网络需要识别的物体种类数
num=9                         ###    每个grid cell预测几个box,和anchors的数量一致。当想要使
                              ###    用更多anchors时需要调大num，且如果调大num后训练时Obj趋近0的话
                              ###    可以尝试调大object_scale
 
jitter=.3                     ###    通过抖动增加噪声来抑制过拟合
 
ignore_thresh = .5            ###    决定是否需要计算IOU误差的参数，大于thresh，IOU误差不会夹在cost function中
 
truth_thresh = 1
 
random=1                      ###    random为1时会启用Multi-Scale Training，随机使用不同尺
                              ###    寸的图片进行训练,如果为0，每次训练大小与输入大小一致; 
                              ###    是否随机确定最后的预测框，显存小可设置成0

模型验证

1.先导入cfg、weights、names模型文件。
2.“图片验证”选择目录后点击下方路径就可以验证模型。
3.“动态验证”拖动圆形图标置需要截图的窗口后放开。
4.“动态验证”选择截图方式，如果需要测试截图方式是否有效可在“图像采集”中测试。
5.“动态验证”显示方式，目前提供两种方式，画板为BBYOLO内部显示，窗口为绑定窗口显示。
6.颜色名字配置，颜色和名字修改后需要“停止”后再“开始”才会变化,图片模式点击下一个即可。
7.关于绘制类名的字体颜色需要到“图像标注”-“标注设置”中修改“类名标题颜色”和“标题发光颜色”即可。

常见问题

提示缺少文件无法训练

1、集成包下载连接获取，或者群文件BBYOLO文件夹内。
2、请下载集成包放在V4目录内，集成包分465.81和441.222个版本根据自己NVIDIA的驱动版本使用，如果对应版本无法使用请尝试下另外一个版本，不知道驱动版本怎么看的请百度 NVIDIA显卡怎么看驱动版本。

DLL不存在，报错

1、安装微软VC++运行库合集:https://baoku.360.cn/soft/show/appid/104698064
2、如果安装好还是错误请使用完整版的系统，精简版无法使用。

无法训练

1、下载集成包放当V4目录内，下载显卡驱动对应的集成包
2、如果使用基础包，请检查显卡驱动 驱动更新到最新，显卡驱动英伟达官网下载地址:https://www.nvidia.cn/Download/index.aspx?lang=cn
3、路径不能存在特殊字符比如空格，建议使用纯英文路径。

训练GPU跑不满

1、请修改 batch和subdivisions配置，具体说明参考参数说明。

更新记录