yolo

Yolov3训练自己的数据集

1、在官网上下载yolo2、使用labelimg标注图片，保存为xml文件3、在darknet中按以下目录创建文件夹4、下载Imagenet预训练权重5、运行voc_label.py6、修改配置文件7、开始训练8、测试

1、在官网上下载yolo

https://pjreddie.com/darknet/yolo/

按提示操作即可

2、使用labelimg标注图片，保存为xml文件

https://cloud.tencent.com/developer/news/325876

labelimg的安装教程

3、在darknet中按以下目录创建文件夹

voc –VOCdevkit –—voc2018 –——Annotations –——ImageSets –———Main –——JPEGImages –——labels Annotations中是所有的xml文件 JPEGImages中是所有的训练图片 图片文件和xml文件的名称最好匹配

Main中包含train.txt 和test.txt 分别为训练集和测试集的文件名称 注意！！！不需要写路径只需要写文件名称 文件名称的获得方式很多教程是用makeTxt.sh，但教程上的代码并不管用 可以自行用python写个程序遍历文件夹的文件 最傻的标注时图片命名规律一点，可以直接写个循环print出来再copy一下

4、下载Imagenet预训练权重

wget https://pjreddie.com/media/files/darknet53.conv.74

5、运行voc_label.py

1、下载voc_label.py

wget https://pjreddie.com/media/files/voc_label.py

修改其中的sets

sets=[('2018', 'train'),('2018', 'test')]

修改class为自己设定的类型！！！ 修改相应的地址！！！

2、voc_label.py的功能 一是会在labels中生成txt文件，标有位置信息 二是会生成2018_train.txt和2018_test.txt。包含图片的地址

3、运行

python voc_label.py

6、修改配置文件

1、修改data/voc.names 修改为自己的样本类型

2、按需求修改网络参数文件cfg/yolov3-voc.cfg 可以依据自己的设备修改迭代率

max_batches = 50200 // 迭代次数 policy=steps // 学习率策略 steps=40000,45000 // 学习率变动步长 scales=.1,.1 //学习率变动因子

表示为在40000次时学习率乘以0.1，45000次时乘以0.1

3、修改cfg/voc.data

classes= ？ //自己的类别数量 train = /自己的路径/2018_train.txt valid = /自己的路径/2018_test.txt names = data/voc.names backup = backup

2018_train.txt 2018_test.txt 这两个文件中保存的是图片的路径信息，之前voc_label.py生成的

7、开始训练

./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gpus 0,1

8、测试

./darknet detect cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights

暂时先这样写下笔记，下次再加上代码