在 Colab 上訓練
打開後先複製一份到自己的 Colab Notebooks 裡
打開自己複製的那份，並開始執行，首先需要先認證，打開連結，並將授權碼輸入到白色框框中，就會連接到自己的 Google Drive
連接到後會看到左邊的資料夾會多了一個 gdrive，這就是你的雲端硬碟的資料夾
移動到自己的個人雲端硬碟裡 My Drive，並創建一個 yolo_face 的資料夾方便我們使用
1. 編譯 darknet
將 AlexeyAB 大神的 darknet 複製到我們的資料夾中
修改 Makefile，將 GPU、CUDNN、CUDNN_HALF、OPENCV 都打開
- GPU=1
- CUDNN=1
- CUDNN_HALF=1
- OPENCV=1
開始編譯
2. 準備人臉資料集與 cfg
由於只是示範，我們選擇資料集較少的人臉資料集，是在 kaggle 上的 Face Detection in Images，資料集格式以 json 檔儲存，只有 409 張影像，共有 1128 個人臉，給各位看一下 json 儲存資訊如下，content 為影像網址，annotation 的 label 為 Face、points 為框住人臉的左上角與右下角的座標位置 (歸一化後的)、imageWidth 與 imageHeight 為整張影像的寬和高。
{'content': 'http://com.dataturks.a96-i23.open.s3.amazonaws.com/2c9fafb064277d86016431e33e4e003d/d1c32c8e-8050-482d-a6c8-b101ccba5b65___0de0ee708a4a47039e441d488615ebb7.png',
'annotation': [{'label': ['Face'],
'notes': '',
'points': [{'x': 0.7053087757313109, 'y': 0.23260437375745527},
{'x': 0.7692307692307693, 'y': 0.36182902584493043}],
'imageWidth': 1280,
'imageHeight': 697}],
'extras': None}
下載資料集 face_detection.json 與將 json 格式轉換成 yolo 格式 (x, y, w, h) 的 data_convert_to_yolo.py，執行完 data_convert_to_yolo.py 後會創建 face 資料夾，裡面存放資料集的影像與對應的 yolo 格式 label，還會創建 data 資料夾裡面存放 train.txt 與 val.txt 這兩個 txt 檔寫入了 face 資料夾裡影像的絕對路徑
我們來看看第 100 張的資訊，有三個人臉所以有三行值，每個人臉記錄了五個值分別是：類別 (只有一類所以是 0)、x, y, w, h (歸一化後的)
創建一個 weights 資料夾用來存放訓練時的權重
設定 cfg 檔，在 data 資料夾裡新增 face.data, face.names，詳細內容如下
複製一個 yolov4-tiny-custom.cfg 到 data 資料夾中，並重新命名為 yolov4-tiny-obj.cfg，並依照自己喜好修改 subdivisions, width, height, max_batches, steps, filters, classes
我做了以下設定
- subdivisions=16 (若記憶體不夠用可以增加這個數字)
- width, height=288 (input_size)
- max_batches=4000 (classes*2000，不得低於4000)
- steps=3200, 3600 (max_batches*0.8, max_batches*0.9)
- filters=18 ((classes+Bbox)*anchors=(1+5)*3=18)
- classes=1
使用 k-means 來計算資料集中出適合的 anchors，結果會輸出成 anchors.txt
到 yolo-v4-tiny-obj.cfg 的第 219, 268 行修改 anchors 成 21, 34, 29, 62, 56, 46, 45, 89, 68,124, 100,191
3. 開始訓練
在 data 資料夾中下載預訓練模型的權重，並開始訓練
訓練完的結果如下，他會將最好的權重 (yolov4-tiny-obj_best.weights) 記錄到 weights 資料夾中
來測試看看訓練好的權重預測效果如何，先複製一個測試用的 cfg，並將 Training 注釋掉，Testing 打開
預測完後會輸出一個 predictions.jpg，將她打開來看一下預測效果，效果還不錯
下篇將會介紹如何把訓練好的 yolov4-tiny 模型放在 Jetson Nano 上並使用 TensorRT 最佳化，以及展示推論效果。
