Open TiantongWang opened 5 years ago
前段时间为了进行车辆检测，用自己的数据集训练了YOLO-v3，参考了很多博客和教程，现在总结一下训练步骤以及遇到的问题。
官网地址： https://pjreddie.com/darknet/yolo/
git clone https://github.com/pjreddie/darknet
GPU=1 #0或1 CUDNN=1 #0或1 OPENCV=0 #0或1 OPENMP=0 DEBUG=0
make
YOLO的标注格式为txt，每张图片对应着一个相同名字的txt，txt内容如下：
txt中每一行对应着图片中的一个目标，每行中的元素由空格分隔开，第一个为该目标的类别（此例中，0代表Car，1代表Truck）；第2到5个元素分别为x, y, w, h，代表该目标bbx 的中心相对横坐标，中心相对纵坐标，相对宽度，相对高度。
当时我的数据集的标注为JSON格式，所以自己写了脚本把里面的标注信息提取出来并生成txt。
在darknet/下新建 yolo3_dataset文件夹，在yolo3_dataset里面新建JPEGImages文件夹和labels文件夹。JPEGImages里面存放着训练以及测试的图片，共2954张，labels里面存放所有图片的txt标注。
yolo3_dataset文件夹中还存放着train.txt和test.txt，里面分别存着训练图片的完整路径和测试图片的完整路径。
classes= 2 #修改为自己的类别数 train = /home/learner/darknet/data/voc/train.txt #修改为自己的路径 valid = /home/learner/darknet/data/voc/test.txt #修改为自己的路径 names = /home/learner/darknet/data/voc.names #修改见voc.names backup = /home/learner/darknet/backup #修改为自己的路径，输出的权重信息将存储其内
Car Truck
wget https://pjreddie.com/media/files/darknet53.conv.74
下载后的权重放在darknet/文件夹下。
[net] # Testing # batch=64 # subdivisions=32 #每批训练的个数=batch/subvisions，根据自己GPU显存进行修改，显存不够改大一些 # Training batch=64 subdivisions=16 width=416 height=416 channels=3 momentum=0.9 decay=0.0005 angle=0 saturation = 1.5 exposure = 1.5 hue=.1 learning_rate=0.001 burn_in=1000 max_batches = 50200 #训练步数 policy=steps steps=40000,45000 #开始衰减的步数 scales=.1,.1 [convolutional] batch_normalize=1 filters=32 size=3 stride=1 pad=1 activation=leaky ..... [convolutional] size=1 stride=1 pad=1 filters=21 #filters = 3 * ( classes + 5 ) here,filters=3*(3+5) activation=linear [yolo] mask = 6,7,8 anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326 classes=2 #修改为自己的类别数 num=9 jitter=.3 ignore_thresh = .5 truth_thresh = 1 random=1 [route] layers = -4 [convolutional] batch_normalize=1 filters=256 size=1 stride=1 pad=1 activation=leaky [upsample] stride=2 [route] layers = -1, 61 [convolutional] batch_normalize=1 filters=256 size=1 stride=1 pad=1 activation=leaky [convolutional] batch_normalize=1 size=3 stride=1 pad=1 filters=512 activation=leaky [convolutional] batch_normalize=1 filters=256 size=1 stride=1 pad=1 activation=leaky [convolutional] batch_normalize=1 size=3 stride=1 pad=1 filters=512 activation=leaky [convolutional] batch_normalize=1 filters=256 size=1 stride=1 pad=1 activation=leaky [convolutional] batch_normalize=1 size=3 stride=1 pad=1 filters=512 activation=leaky [convolutional] size=1 stride=1 pad=1 filters=21 #filters = 3 * ( classes + 5 ) here,filters=3*(3+5) activation=linear [yolo] mask = 3,4,5 anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326 classes=2 #修改为自己的类别数 num=9 jitter=.3 ignore_thresh = .5 truth_thresh = 1 random=1 [route] layers = -4 [convolutional] batch_normalize=1 filters=128 size=1 stride=1 pad=1 activation=leaky [upsample] stride=2 [route] layers = -1, 36 [convolutional] batch_normalize=1 filters=128 size=1 stride=1 pad=1 activation=leaky [convolutional] batch_normalize=1 size=3 stride=1 pad=1 filters=256 activation=leaky [convolutional] batch_normalize=1 filters=128 size=1 stride=1 pad=1 activation=leaky [convolutional] batch_normalize=1 size=3 stride=1 pad=1 filters=256 activation=leaky [convolutional] batch_normalize=1 filters=128 size=1 stride=1 pad=1 activation=leaky [convolutional] batch_normalize=1 size=3 stride=1 pad=1 filters=256 activation=leaky [convolutional] size=1 stride=1 pad=1 filters=21 #filters = 3 * ( classes + 5 ) here,filters=3*(3+5) activation=linear [yolo] mask = 0,1,2 anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326 classes=2 #修改为自己的类别数 num=9 jitter=.3 ignore_thresh = .5 truth_thresh = 1 random=1
运行
./darknet -i <gpu_id> detector train <data_cfg> <train_cfg> <weights>
例如：
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74
./darknet detector train <data_cfg> <model_cfg> <weights> -gpus <gpu_list>
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gpus 0,1,2,3
参考https://blog.csdn.net/mieleizhi0522/article/details/79989754
参考 https://blog.csdn.net/qq_34806812/article/details/81537842
参考 https://blog.csdn.net/qq_26564783/article/details/84293003
How to train your own YOLO-v3
前段时间为了进行车辆检测，用自己的数据集训练了YOLO-v3，参考了很多博客和教程，现在总结一下训练步骤以及遇到的问题。
安装darknet
官网地址： https://pjreddie.com/darknet/yolo/
git clone https://github.com/pjreddie/darknetmake准备训练数据
YOLO的标注格式为txt，每张图片对应着一个相同名字的txt，txt内容如下：
txt中每一行对应着图片中的一个目标，每行中的元素由空格分隔开，第一个为该目标的类别（此例中，0代表Car，1代表Truck）；第2到5个元素分别为x, y, w, h，代表该目标bbx 的中心相对横坐标，中心相对纵坐标，相对宽度，相对高度。
当时我的数据集的标注为JSON格式，所以自己写了脚本把里面的标注信息提取出来并生成txt。
在darknet/下新建 yolo3_dataset文件夹，在yolo3_dataset里面新建JPEGImages文件夹和labels文件夹。JPEGImages里面存放着训练以及测试的图片，共2954张，labels里面存放所有图片的txt标注。
yolo3_dataset文件夹中还存放着train.txt和test.txt，里面分别存着训练图片的完整路径和测试图片的完整路径。
修改cfg文件中的voc.data
修改/darknet/data/voc.names
下载预训练卷积层权重
下载后的权重放在darknet/文件夹下。
修改cfg/yolov3-voc.cfg
训练模型
运行
例如：
运行
例如：
批量测试图片
参考https://blog.csdn.net/mieleizhi0522/article/details/79989754
Q&A
参考 https://blog.csdn.net/qq_34806812/article/details/81537842
参考 https://blog.csdn.net/qq_26564783/article/details/84293003