YOLOv3问题总结

1、运行test,recall,vaild命令时，<test_cfg>文件中batch和subdivisions两项必须为1。否则会出现测试检测不到目标、计算recall为0，验证没有产生结果文件。训练时候根据GPU情况调大batch和subdivisions，官方cfg中两者值分别为64和16

2、测试标签上如何添加置信值
修改src/image.c文件draw_detections函数
修改src/image.c文件draw_detections函数中get_label函数调用的参数
image label = get_label(alphabet, labelstr, (im.h*.02));
源码中为0.03，修改为0.02后，标签文字减小，可以根据需要调整。
修改代码后需要使用make clean，make重新编译。
加入置信值，减小标签大小后的检测效果图！
3、迭代n次数之后的模型保存。

修改example/detector.c文件中的第148行。源代码为：if(i%100000 || (i<1000 && i%100))//迭代小于1000次，每100次保存模型，大于1000次，每10000次保存模型。可以根据需要修改训练多少轮保存一个模型，if(i%10000 || (i<1000 && i%1000))，大于1000次，每1000次保存模型。

4、卷积层得来的特征：

1313 一个特征点代表3232像素的图像，检测大目标，最小检测3232的图像
2626 一个特征点代表1616的图像，检测中目标，最小检测1616的图像
5252 一个特征点代表88的图像 检测小目标，最小检测8*8的图像

5、
从Darknet-53网络结构看出yolov3较yolov2网络深度推至106层，其中引用ResNet、FPN网络结构思想，同时采用多尺度预测来弥补初始划分13*13网格细粒度不够问题，同时yolov3网络仍然采用yolov2中数据增强、批归一化等操作。

6、linux下编译darknet 出现空间不足解决办法
gcc -Iinclude/ -Isrc/ -Wall -Wno-unused-result -Wno-unknown-pragmas -Wfatal-errors -fPIC -Ofast -c ./src/gemm.c -o obj/gemm.o
./src/gemm.c:166:1: fatal error: error writing to /tmp/ccGeIVxY.s: No space left on device

主要是系统 /tmp/空间不足引起的，tmp文件夹空间不足了，不能满足编译的需求，编译的中间文件不能写入。
解决办法 mkdir 文件夹——你可以使用的文件夹 比如说 mkdir /home/sunlh/zzzz/tmp
然后只要export TMPDIR= /home/sunlh/zzzz/tmp
这样就不会出现 tmp文件夹不够用的情况。

7、数据集格式
A.制作VOC格式的xml文件
工具：LabelImg
B.将VOC格式的xml文件转换成YOLO格式的txt文件
脚本：voc_label.py，根据自己的数据集修改就行了。

按照上面的流程，每张图像都生成了对应的txt文件来保存其归一化后的位置信息，如下图对应生成的txt如下：

0 0.250925925926 0.576388888889 0.1 0.0263888888889
0 0.485185185185 0.578125 0.0685185185185 0.0201388888889

图中共有车牌两个，每行保存一个车牌的信息，第一个0表示检测object的label，因为我只有一类，所以都是0
后面的四位即为归一化后的中心点坐标和位置框的长和宽
最后将图像和对应txt的文件名统一，并拷贝到同一个文件夹（a.jpg对应的txt为a.txt），如图：

txt和对应jpg文件的名称除了最后.jpg,.txt的后缀不一样，其他的必须完全一样，且需要保存在同一文件夹，训练过程中会直接将a.jpg的名称替换为a.txt来寻找该图像对应的gt。对应的gt文件也不一定必须是txt格式，如果不是txt格式可以去源码中将这部分代码进行修改，将.jpg替换为你需要的格式后缀