基于darknet框架对自己的数据进行标注及训练流程（内含如何批量测试自己数据）

基于darknet框架的数据标注及训练流程

本文标注训练数据所使用的环境为Ubuntu20.04，CUDA 11.0, OpenCV 3.2， 训练则是在服务器上进行的。
主要使用的工具包括
开源标注工具Yolo_mark：

开源标注工具网址
红绿灯模型训练darknet框架：
darknet网址
具体实现如下：

标注

首先clone Yolo_mark工具到本地后，
标注过程:

1. 将所需标注图片*.jpg文件添加到Yolo_mark相对路径：x64/Release/data/img目录下；
2. 在x64/Release/data/obj.data文件下更改classes数量；
3. 在x64/Release/data/obj.names文件中加入类别名称，每一行一个；
   同时支持OPenCV2.x及OpenCV3.x
   将上述所需信息更改后，便可在命令行中执行：

cmake.
make 
 ./linux_mark.sh

Yolo_mark标注过程中，可以通过数字键选择类别；
键盘左右箭头选择前后照片；
h：开启help提示；
c：清除标记；
m：显示坐标；
p：拷贝上一张图片的标记结果；（一般标注连续帧图片时可采用，比较省事）
r：删除所选标注框；
ESC：退出标注。

训练过程

训练数据

在标注完数据后，生成训练数据后，可进行模型训练。

1. 首先clone darknet: darknet
2. config文件及脚本文件在build\darknet\x64\data文件中，具体可参考如何训练自己的数据
3. 下载预训练权重，此处所给为darknet53.conv.74下载地址
4. run：

./darknet detector train data/obj.data cfg/my_yolov3.cfg darknet53.conv.74 -dont_show

模型训练结束后，可在backup文件夹中找到训练所得的权重.weights文件。
验证模型
run：

./darknet detector test data/obj.data cfg/my_test.cfg  backup/yourweights

另附批量检测图片并存储到指定目录方式：

1. 用下面代码替换src文件夹下detector.c文件中的test_detector函数（可更改输出文件夹名，此处为result_img）：

void test_detector(char *datacfg, char *cfgfile, char *weightfile, char *filename, float thresh,
    float hier_thresh, int dont_show, int ext_output, int save_labels, char *outfile, int letter_box, int benchmark_layers)
{
   
    list *options = read_data_cfg(datacfg);
    char *name_list = option_find_str(options, "names", "data/names.list");
    int names_size = 0;
    char **names = get_labels_custom(name_list, &names_size); //get_labels(name_list);
 
    image **alphabet = load_alphabet();
    network net = parse_network_cfg_custom(cfgfile, 1, 1); // set batch=1
    if (weightfile) {
   
        load_weights(&net, weightfile);
    }
    net.benchmark_layers = benchmark_layers;
    fuse_conv_batchnorm(net);
    calculate_binary_weights(net);
    if (net.layers[net.n - 1].classes != names_size) {
   
        printf("\n Error: in the file %s number of names %d that isn't equal to classes=%d in the file %s \n",
            name_list, names_size, net.layers[net.n - 1].classes, cfgfile);
        if (net.layers[net.n - 1].classes > names_size) getchar();
    }
    srand(2222222);
    char buff[256];
    char *input = buff;
    char *json_buf = NULL;
    int json_image_id = 0;
    FILE* json_file = NULL;
    if (outfile) {
   
        json_file = fopen(outfile, "wb");
        if(!json_file) {
   
          error("fopen failed");
        }
        char *tmp = "[\n";
        fwrite(tmp, sizeof(char), strlen(tmp), json_file);
    }
    int j;
    float nms = .45;