gg修改器游戏检测_gg修改器过游戏检测教程

作者：佚名来源：网友分享日期：2024-04-27 08:14:39

大家好，今天小编为大家分享关于gg修改器游戏检测_gg修改器过游戏检测教程的内容，赶快来一起来看看吧。

1. 数据准备

1.1 下载VOC数据

参考https:///darknet/yolo/网站介绍，下载VOC数据。

wget https:///media/files/VOCtrainval_11-May-2012.tar wget https:///media/files/VOCtrainval_06-Nov-2007.tar wget https:///media/files/VOCtest_06-Nov-2007.tar tar xf VOCtrainval_11-May-2012.tar tar xf VOCtrainval_06-Nov-2007.tar tar xf VOCtest_06-Nov-2007.tar

1.2 生成数据标签

将VOC数据集的xml文件里的标注转为darknet能够解析的txt文件，每个文件的格式如下：

<object-class> <x> <y> <width> <height>

每行中分别对应目标的类别，ground truth框的横坐标中心坐标，纵坐标中心坐标，groundtruth框的宽度和groundtruth框的高度。

使用scripts/文件夹下的voc_label.py文件可以将VOC标签转为YOLO标签，将voc_label.py文件拷到VOCdevkit/文件夹下，运行以下命令：

python voc_label.py

完成运行后，输入ls，可以在终端中看到以下内容：

2007_test.txt VOCdevkit 2007_train.txt voc_label.py 2007_val.txt VOCtest_06-Nov-2007.tar 2012_train.txt VOCtrainval_06-Nov-2007.tar 2012_val.txt VOCtrainval_11-May-2012.tar

VOC训练需要将2007_train，2007_val，2012_train，2012_val四个数据集合并形成训练集，使用2007_test作为验证集。输入以下命令，将相应的数据集合并。

cat 2007_train.txt 2007_val.txt 2012_*.txt > train.txt

最后修改cfg.data文件，配置VOC数据路径，classes数目必须要写对。

classes= 20 train = <path-to-voc>/train.txt valid = <path-to-voc>2007_test.txt names = data/voc.names backup = backup

1.3 下载预训练模型

1. 基于ImageNet预训练模型开始训练
预训练模型下载位置在https://drive./open?id=1JKF-bdIklxOOVy-2Cr5qdvjgGpmGfcbp，完成预训练模型下载后，将yolov4.conv.137文件放在指定位置。

2. 基于COCO预训练模型开始训练
如果基于作者开源的COCO预训练模型yolov4.weights开始训练，则需要对文件中的seen进行修改，修改之后才能基于该预训练模型进行训练，修改代码如下。

import numpy as np


# Read weights file

with open(’weights/yolov4.weights’, ’rb’) as f:

    version = np.fromfile(f, dtype=np.int32, count=3)  # (int32) version info: major, minor, revision

    seen = np.fromfile(f, dtype=np.int64, count=1)  # (int64) number of images seen during training

    weights = np.fromfile(f, dtype=np.float32)  # the rest are weights

    seen = np.array([0])

# Write weights file with open(’darknet_yolov4.weights’, ’wb’) as f: version.tofile(f) # (int32) version info: major, minor, revision seen.tofile(f) weights.tofile(f)

2. 训练数据

2.1 准备cfg文件

修改cfg文件夹下的yolov4-custom.cfg文件名称为yolov4-voc.cfg,修改训练迭代步数：

max_batches = 50500 policy=steps steps=40000,45000 scales=.1,.1

将3个yolo层的classes的类别修改为20，yolo层前的convolutional层的filters数目为75，(classes + 5) imes 3(classes+5)×3。

[convolutional] size=1 stride=1 pad=1 filters=75 activation=linear

[yolo] mask = 6,7,8 anchors = 12, 16, 19, 36, 40, 28, 36, 75, 76, 55, 72, 146, 142, 110, 192, 243, 459, 401 classes=20 num=9 jitter=.3 ignore_thresh = .7 truth_thresh = 1 random=1 scale_x_y = 1.05 iou_thresh=0.213 cls_normalizer=1.0 iou_normalizer=0.07 iou_loss=ciou nms_kind=greedynms beta_nms=0.6

2.2 准备训练脚本文件sh

在终端中输入touch train.sh和gedit train.sh，编辑训练脚本文件，输入./darknet detector train data/voc.data cfg/yolov4-voc.cfg backup/yolov4.conv.137 -map，执行./train.sh即可开始训练。./darknet为编译好的可执行文件，detector表示执行目标检测任务，train表示执行训练任务，data/voc.data，cfg/yolov4-voc.cfg和backup/yolov4.conv.137文件路径位置必须正确，-map表示可以在训练的同时，进行检测精度评估，每4个epoch评估一次。

2.3 Loss与mAP曲线

完成训练后，在darknet文件夹中可以得到以下图片，图片显示训练存在过拟合情况，在迭代到10000多步时，在VOC数据集上的mAP达到了最高，之后虽然Loss一直在下降，但是mAP没有再提高，反而有所下降，在VOC数据集上的训练还需要进一步调参。经过voc_all_map.py的评估，YOLOv4在VOC数据集上的0.5:0.95mAP能够达到52.98，0.5mAP能够达到84.27，0.75mAP能够达到58.64。这个结果，比这篇文章介绍的https://blog.csdn.net/linghu8812/article/details/105708001faster_rcnn_R_50_FPN的mAP提高了不少。

下图是使用YOLOv3在VOC数据集上训练的结果，可以看到，在VOC数据集上YOLOv4的检测效果比YOLOv3提高了不少。

3. 测试图片

在终端中输入以下命令./darknet detector test cfg/voc.data cfg/yolov4-voc.cfg backup/yolov4-voc.weights -thresh 0.25 data/dog.jpg 可以对单张图片进行测试，查看训练效果。cfg文件和weights文件可以在这里下载，提取码为ia4x。inference结果如下：

终端中输出的结果如下：

data/dog.jpg: Predicted in 14.562000 milli-seconds. bicycle: 97% dog: 94% car: 99%

以上就是关于gg修改器游戏检测_gg修改器过游戏检测教程的全部内容，希望对大家有帮助。