【笔记】WIN10下YOLO V3训练自己的数据集

【笔记】WIN10下YOLO V3训练自己的数据集

1、数据集

  1. 数据集格式整理
    数据集建议放置于文件D:\darknet-master\build\darknet\x64\data下,文件夹组成形式如下:
    在这里插入图片描述
    其中:Annotations中是所有的xml文件 ;JPEGImages中是所有的训练图片 ;Main中是4个txt文件,其中test.txt是测试集,train.txt是训练集,val.txt是验证集,trainval.txt是训练和验证集。
  2. 补充数据集的txt文件
    txt文件主要有两种:1、xml标定数据对应的txt文件。2、用于训练和验证的txt文件。
    方法:下载voc_label.py文件,将文件下载到VOCdevkit同级的路径下。
# _*_ coding:utf-8 _*_
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join

sets = [('2019', 'train'),('2019', 'test'),('2019', 'trainval'),('2019', 'val')]
classes = ["person"]

def convert(size, box):
    dw = 1. / size[0]
    dh = 1. / size[1]
    x = (box[0] + box[1]) / 2.0
    y = (box[2] + box[3]) / 2.0
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return (x, y, w, h)

def convert_annotation(year, image_id):
    in_file = open('VOCdevkit/VOC%s/Annotations/%s.xml'%(year, image_id), encoding='UTF-8')
    out_file = open('VOCdevkit/VOC%s/labels/%s.txt'%(year, image_id), 'w')
    tree=ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)

    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
        bb = convert((w,h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')

wd = getcwd()

for year, image_set in sets:
    if not os.path.exists('VOCdevkit/VOC%s/labels/' % (year)):
        os.makedirs('VOCdevkit/VOC%s/labels/' % (year))
    image_ids = open('VOCdevkit/VOC%s/ImageSets/Main/%s.txt' % (year, image_set)).read().strip().split()
    print("image_ids",image_ids)
    list_file = open('%s_%s.txt' % (year, image_set), 'w')
    for image_id in image_ids:
        list_file.write('%s/VOCdevkit/VOC%s/JPEGImages/%s.jpg\n' % (wd, year, image_id))
        convert_annotation(year, image_id)
    list_file.close()
"""
for year, image_set in sets:
    if not os.path.exists('VOCdevkit/VOC%s/labels/'%(year)):
        os.makedirs('VOCdevkit/VOC%s/labels/'%(year))
    image_ids = open('VOCdevkit/VOC%s/ImageSets/Main/%s.txt'%(year, image_set)).read().strip().split()
    list_file = open('%s_%s.txt'%(year, image_set), 'w')
    for image_id in image_ids:
        list_file.write('%s/VOCdevkit/VOC%s/JPEGImages/%s.jpg\n'%(wd, year, image_id))
        convert_annotation(year, image_id)
    list_file.close()
"""

3、修改.cfg文件

将yolov3-head.cfg放置于D:\darknet-master\build\darknet\x64下:
修改.cfg文件:
在这里插入图片描述
将batch 改成64 :batch=64

将subdivisions 改成8 :subdivisions=8 在这里插入图片描述

将每个yolo下(共有3处)的classes改成你自己的类的数量 :classes = 1(我的是1类)

将每个yolo上面第一个convolutional下的filters改成你自己的大小,计算方法是: filters=(classes + 5)x3 ,由于我的是1类,所以我的filters=18. (和上面一样,共有3处,3个yolo,每个yolo上面的第一个convolutional下的filters)每个yolo上面的第一个convolutional是网络的最后一个输出层。

!!!注意注意:如果你对显卡较差(4G显存以下),会出现内存溢出错误(Out of memory),改正方法:将batch改小些(64,32,16,8),将random改成0关闭多尺度训练。

4、修改.names文件

将文件放置于D:\darknet-master\build\darknet\x64\data下
在这里插入图片描述

5、修改.data文件

将文件放置于D:\darknet-master\build\darknet\x64\data下,内容如下:

classes= 1
train  = D:/darknet-master/build/darknet/x64/data/2019_test.txt
#valid  = D:/darknet-master/build/darknet/x64/data/2019_test.txt
#valid = data/coco_val_5k.list
names = D:/darknet-master/build/darknet/x64/data/voc-head.names
backup = backup/

6、执行训练命令

在D:\darknet-master\build\darknet\x64下执行命令:

darknet.exe detector train data/obj.data yolo-obj.cfg darknet53.conv.74  >> log/train_yolov3.log
  • 4
    点赞
  • 20
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值