Yolov4如何更换预训练文件并完成自定义数据集训练

首先明确：不需要更换预训练文件。
预训练权重存储的是YOLOv4主干网络、颈部特征融合层的通用视觉特征提取能力，和标注文件多出来的字段没有绑定关系。你标注里多出来的<d>维度属于检测头需要额外输出的预测目标，只需要调整检测头部分的网络结构、数据加载和损失逻辑即可，主干和颈部的预训练权重完全可以正常复用，能有效加快训练收敛速度，提升小数据集下的模型效果。

• 适配标注加载逻辑
  常规YOLO格式标注为5个字段：类别id x_center y_center width height，你的标注多了第6个d字段，首先要修改你所用YOLOv4框架的数据集解析代码：把原来只读5个字段的逻辑改成读取6个字段，将d值和bbox坐标、类别id一同打包为训练样本。注意提前确认d值的属性：如果是距离、角度这类连续值，后续按回归任务处理；如果是离散类别值，提前统计好对应的类别总数，后续调整输出层维度。
• 修改网络结构配置
  原版YOLOv4共3个检测输出头，每个anchor默认输出5 + 类别数个值（对应x/y/w/h/目标置信度+各类别概率）。你需要给每个anchor新增1个d值的输出通道，即把每个检测头前最后一层卷积的滤波器数量改为3*(5 + 类别数 + 1)。
  如果你用的是原版darknet框架，直接修改cfg配置文件中3个[yolo]层前紧邻的[convolutional]层的filters参数即可；如果是PyTorch等其他框架实现的版本，对应修改检测头最后一层卷积的输出通道数即可。
• 调整损失函数计算逻辑
  在原有bbox回归损失、目标置信度损失、分类损失的基础上，新增d值对应的损失项：如果d是连续回归值就使用MSE损失，如果是离散分类值就使用交叉熵损失，将该项损失加权后加入总损失参与反向传播。
  加载预训练权重时，除了你修改过的检测头最后几层卷积因为维度变化无法匹配、会自动随机初始化外，其余所有层的预训练权重都可以正常加载，不影响特征复用效果。
• 按常规流程启动训练
  剩余配置和普通自定义数据集训练YOLOv4没有区别：配置好训练集、验证集路径，写好类别名文件，如果你的数据集目标尺寸和COCO差异较大可以重新聚类生成适配的anchor尺寸，差异不大可以直接用默认anchor，设置好batch size、学习率、训练轮次等超参数即可启动训练。

注意：不要直接用未修改的原版YOLOv4代码训练你的标注，否则代码会自动忽略第6个d字段，等于这部分标注信息完全没有被用到。

内容的提问来源于stack exchange，提问作者fatiman