在Linux服务器环境下使用yolov3训练自己的数据集（VOC格式）

任务：

共有100张这样的螺蛳图片用于训练，同样预留了10张这样的图片用于测试

labellmg标记图片时，每张图片需要标记20个螺蛳，每个格子中一个

在训练结束后，用训练完成的权重文件对图片进行测试，观察是否能够识别出图片中螺蛳

 

使用yolov3训练自己VOC格式的数据集的步骤与训练VOC数据集的步骤大致相同，这里只阐述一些重要的不同点，具体可以参考：

在Linux服务器环境下使用yolov3训练voc数据集

省略的步骤：（可以在上述链接中找到）

一、.准备工作：检查cuda版本，创建项目的文件夹等

二、.安装好darknet

三、.下载权重文件测试一下yolov3（选做）

 

四、创建所需的文件夹

进入到darknet/scripts目录下，创建如下6个文件夹，缩进代表父目录和子目录的关系

 

五、标记图片

使用labellmg图片标记工具标记训练图片中的类别，安装和使用教程可以参考官方文档：

https://github.com/tzutalin/labelImg

标记完成后，labellmg会生成相应的XML文档，放入创建的Annotation文件夹中，XML文档的格式如下，其中框住的两处是需要修改的，folder标签为JPEGImages，path标签为JPEGImages所在的绝对路径，路径尾部是图片的名称，这个是可以自由设置的。

 

六、将图片，XML文件放入指定的文件夹

XML文档放入：Annotation文件夹

图片文件放入：JPEGImages文件夹

在Main文件夹下创建train.txt 和test.txt，里面存放训练集合测试集的图片名称，不包含后缀，每个名称占一行。

000
001
002
003
004
005
006
007
...
093
094
095
096
097
098
099

 

七、修改darknet/scripts/voc_label.py文件

2020根据上面创建的文件夹的名字来更改，上面创建的是什么就改什么

train和test对应创建的两个txt文件

tips：在vim编辑器中，数字1+G可以快速返回第一行

注释文档最后的两行，这里不需要合并文件

tips：在vim编辑器中，输入G可以快速到最后一行

 

修改完成后运行该py文件

python voc_label.py

之后，在darknet/scripts文件下就能看到2020_train.txt和2020_test.txt两个文件，里面存储的是训练和测试图片的绝对路径

 

八、在 darknet/data 目录下创建myvoc.names文件

其实也可以修改原先存在的voc.names文件，这里创建是为了避免混淆，这里创建的文件名称也是自己决定的，后面步骤中把文件名配置对了就可以。

文件的内容就是训练图片的所有类别，每个类别独自占一行，这里我训练的只有一个类别，因此文件内容如下：

 

九、在 darknet/cfg 目录下修改voc.data文件

classes：类别的数量

train,valid：运行voc_label.py文件生成的训练和测试文件

names：类别名称的文件，也就是上一步创建的文件

backup：训练过程中产生的权重文件保存的位置

 

 

十、修改darknet/cfg/yolov3-voc.cfg文件

文件一共需要修改三个地方：将测试状态改为训练状态、修改 filters 的值、修改 classes 的值

1.将测试状态改为训练状态

按照训练图片的数量，batch和subdivisions可以调整，max_batches也适当调小，当损失降低到一定程度时，再训练就没意义了

2.修改 filters 的值

yolov3-voc.cfg中搜索yolo，可以发现一共有三处yolo层，即改网络结构的检测层。因为，yolov3的网络结构就是darknet53+yolo检测层组成的。这里我们修改yolo 检测层前一层的 filters 的值大小。filters 大小利用如下公式计算：
filters = 3×（classes + 1 + 4) ，我这里1个目标，所以 filters 的值为18（注意一共需要改3处）。3代表的是多尺度预测，即yolov3是3次预测，所以乘以3。1代表的是置信度，4代表的是 boxes 的位置，即左顶点的坐标和长宽，四个参数。

tip：输入  :/搜索的字符串  可以在vim中搜索

filters在yolo关键词的上方

 

3.修改 classes 的值

classes 的值就是自己检测的类别，默认的voc数据集是20种，这里只有一种。注意每一个yolo 层的 classes 值都要修改 ，一共也是三处。

classes在yolo关键词的下方

 

十一、开始训练

darknet53.conv.74是预训练权重，我之前的博客有提到

./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74

训练过程中，出现nan较多，可能是因为训练时batch设置过小造成

当训练的损失降的很低时（图中是刚开始训练的数值，属于很大的损失），就可以Ctrl + C停止训练，使用backup中的权重文件进行测试了

 

十二、测试

权重文件可以自由指定，训练过程中的权重文件都在backup文件夹下面，每一个权重文件都是可以用的

我这里是把测试的图片上传到data目录，这里的路径应该是任意的，在最后指定好就可以

./darknet detector test cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_600.weights data/XXX.jpg

测试结果：

将图片上传到windows中查看，结果如下：

参考博客：

【学习笔记—Yolov3】Yolov3训练VOC数据集&训练自己的数据集

YOLOV3训练自己的数据集（VOC数据集格式）