基于darknet框架分类器训练

文章参考链接地址：https://pjreddie.com/darknet/train-cifar/
由于实际的业务数据的要求，需要得到与之匹配的预训练模型，本文将使用YOLO的网络进行预训练，得到适合自己的分类器。这篇文章主要介绍如何利用Darknet框架训练分类器。
安装Darknet
若没有安装Darknet，需首先执行：

git clone https://github.com/pjreddie/darknet
cd darknet
make

• 1
• 2
• 3
• 4

获取数据集
可直接下载图片格式的数据集
将数据集放至darknet主目录下的data文件夹下，执行：

cd data
wget https://pjreddie.com/media/files/cifar.tgz
tar xzf cifar.tgz  

• 1
• 2
• 3
• 4

查看cifar下的文件内容：

ls cifar

• 1
• 2

cifar包含两个文件夹：训练数据集（train）和测试集（test）,以及一个标签文件labels.txt，可通过命令：

cat cifar/labels.txt

• 1
• 2

查看要学习的物体类别。

准备训练（测试）数据
首先需要生成训练和测试数据的路径文件train.txt,test.txt，执行下述命令：

cd cifar
find `pwd`/train -name \*.png > train.list
find `pwd`/test -name \*.png > test.list
cd ../..

• 1
• 2
• 3
• 4
• 5

制作数据集参数文件 ，在cfg/ 路径下新建文件 cfg/cifar.data,文件内容如下：

classes=10 //10个不同类别
train  = data/cifar/train.list //训练数据路径
valid  = data/cifar/test.list  //验证数据路径
labels = data/cifar/labels.txt //标签文件
backup = backup/            //保存中间训练结果的路径
top=2                       //测试时计算top_k的准确率       

• 1
• 2
• 3
• 4
• 5
• 6
• 7

制作网络模型文件：

[net]
batch=64 
subdivisions=8
width=224
height=224
channels=3
momentum=0.9
decay=0.0005
angle=0
saturation = .75
exposure = .75
hue=.1

#learning_rate=0.001
#max_batches = 120000
#policy=steps
#steps=-1,100,80000,100000
#scales=.1,10,.1,.1

learning_rate=0.001
max_batches = 80000
policy=poly
power=4
momentum=0.9
decay=0.0005

[convolutional]
batch_normalize=1
filters=8
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=16
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=32
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=64
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=1

[convolutional]
batch_normalize=1
filters=512
size=3
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=10
activation=leaky

[avgpool]

[softmax]
groups=1

[cost]
type=sse

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42
• 43
• 44
• 45
• 46
• 47
• 48
• 49
• 50
• 51
• 52
• 53
• 54
• 55
• 56
• 57
• 58
• 59
• 60
• 61
• 62
• 63
• 64
• 65
• 66
• 67
• 68
• 69
• 70
• 71
• 72
• 73
• 74
• 75
• 76
• 77
• 78
• 79
• 80
• 81
• 82
• 83
• 84
• 85
• 86
• 87
• 88
• 89
• 90
• 91
• 92
• 93
• 94
• 95
• 96
• 97
• 98
• 99
• 100
• 101
• 102
• 103
• 104
• 105
• 106
• 107
• 108
• 109
• 110
• 111
• 112
• 113
• 114
• 115
• 116
• 117
• 118
• 119
• 120
• 121
• 122
• 123
• 124
• 125
• 126
• 127
• 128
• 129
• 130
• 131

训练模型
进入darknet根目录：

./darknet classifier train cfg/cifar.data cfg/my_cifar.cfg

• 1
• 2

若训练中断，基于已有的训练模型接着训练执行如下命令：

./darknet classifier train cfg/cifar.data cfg/my_cifar.cfg backup/my_cifar.backup

• 1
• 2

训练过程如下：