darknet-训练自己的yolov3模型

最新推荐文章于 2022-04-18 00:24:18 发布
最新推荐文章于 2022-04-18 00:24:18 发布
阅读量1.1k 收藏 9
点赞数 2
分类专栏： # One Stage

目录

Yolo v3的使用方法

参考自@zhaonan

安装darknet

  • 下载库文件
git clone https://github.com/pjreddie/darknet
cd darknet
  • 修改Makefile
GPU=1  #0或1
CUDNN=1  #0或1
OPENCV=0  #0或1
OPENMP=0
DEBUG=0
  • 编译
make
  • 下载预训练模型
wget https://pjreddie.com/media/files/yolov3.weights
  • 用预训练模型进行简单的测试
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

训练Pascal VOC格式的数据

  • 生成Labels，因为darknet不需要xml文件，需要.txt文件（格式： ）

用voc_label.py（位于./scripts）cat voc_label.py 共修改四处

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
sets=[('2007', 'train'), ('2007', 'val'), ('2007', 'test')]  #替换为自己的数据集
classes = ["head", "eye", "nose"]     #修改为自己的类别

def convert(size, box):
    dw = 1./(size[0])
    dh = 1./(size[1])
    x = (box[0] + box[1])/2.0 - 1
    y = (box[2] + box[3])/2.0 - 1
    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))  #将数据集放于当前目录下
    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()
    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()   
os.system("cat 2007_train.txt 2007_val.txt > train.txt")     #修改为自己的数据集用作训练
wget https://pjreddie.com/media/files/voc_label.py
python voc_label.py

在VOCdevkit/VOC2007/labels/中：

learner@learner-pc:~/darknet/scripts$ ls
2007_test.txt #0   dice_label.sh        imagenet_label.sh  VOCdevkit_original
2007_train.txt #1  gen_tactic.sh        train.txt #3        voc_label.py
2007_val.txt #2 get_coco_dataset.sh  VOCdevkit

这时darknet需要一个txt文件，其中包含了所有的图片

cat 2007_train.txt 2007_val.txt 2012_*.txt > train.txt

修改cfg文件中的voc.data

classes= 3    #修改为自己的类别数
train  = /home/learner/darknet/data/voc/train.txt   #修改为自己的路径 or /home/learner/darknet/scripts/2007_test.txt
valid  = /home/learner/darknet/data/voc/2007_test.txt   #修改为自己的路径 or /home/learner/darknet/scripts/2007_test.txt
names = /home/learner/darknet/data/voc.names  #修改见voc.names
backup = /home/learner/darknet/backup   #修改为自己的路径，输出的权重信息将存储其内

修改VOC.names

head  #自己需要探测的类别，一行一个
eye
nose

下载预训练卷积层权重

wget https://pjreddie.com/media/files/darknet53.conv.74

修改cfg/yolov3-voc.cfg

[net]
# Testing
 batch=64
 subdivisions=32   #每批训练的个数=batch/subvisions，根据自己GPU显存进行修改，显存不够改大一些
# Training
# batch=64
# subdivisions=16
width=416
height=416
channels=3
momentum=0.9
decay=0.0005
angle=0
saturation = 1.5
exposure = 1.5
hue=.1

learning_rate=0.001
burn_in=1000
max_batches = 50200  #训练步数
policy=steps
steps=40000,45000  #开始衰减的步数
scales=.1,.1



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

.....

[convolutional]
size=1
stride=1
pad=1
filters=24   #filters = 3 * ( classes + 5 )   here,filters=3*(3+5)
activation=linear

[yolo]
mask = 6,7,8
anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
classes=3    #修改为自己的类别数
num=9
jitter=.3
ignore_thresh = .5
truth_thresh = 1
random=1

[route]
layers = -4

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

[upsample]
stride=2

[route]
layers = -1, 61



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

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

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

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

[convolutional]
batch_normalize=1
filters=256
size=1
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=24    #filters = 3 * ( classes + 5 )   here,filters=3*(3+5)
activation=linear

[yolo]
mask = 3,4,5
anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
classes=3  #修改为自己的类别数
num=9
jitter=.3
ignore_thresh = .5
truth_thresh = 1
random=1

[route]
layers = -4

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

[upsample]
stride=2

[route]
layers = -1, 36



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

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

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

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

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

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

[convolutional]
size=1
stride=1
pad=1
filters=24    #filters = 3 * ( classes + 5 )   here,filters=3*(3+5)
activation=linear

[yolo]
mask = 0,1,2
anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
classes=3   #修改为自己的类别数
num=9
jitter=.3
ignore_thresh = .5
truth_thresh = 1
random=1

训练自己的模型

1 单GPU训练：./darknet -i <gpu_id> detector train <data_cfg> <train_cfg> <weights>

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

2 多GPU训练，格式为0,1,2,3：./darknet detector train <data_cfg> <model_cfg> <weights> -gpus <gpu_list>

./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gpus 0,1,2,3

测试Yolo模型

测试单张图片：

  • 测试单张图片，需要编译时有OpenCV支持：./darknet detector test <data_cfg> <test_cfg> <weights> <image_file> #本次测试无opencv支持
  • <test_cfg>文件中batch和subdivisions两项必须为1。
  • 测试时还可以用-thresh和-hier选项指定对应参数。

  • ./darknet detector test cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_20000.weights Eminem.jpg

    批量测试图片

    • yolov3-voc.cfg(cfg文件夹下)文件中batch和subdivisions两项必须为1。

    • 在detector.c中增加头文件：

      #include <unistd.h>  /* Many POSIX functions (but not all, by a large margin) */
#include <fcntl.h>   /* open(), creat() - and fcntl() */

  • 在前面添加GetFilename(char p)函数

    #include "darknet.h"
#include <sys/stat.h>  //需增加的头文件
#include<stdio.h>
#include<time.h>
#include<sys/types.h>  //需增加的头文件
static int coco_ids[] = {1,2,3,4,5,6,7,8,9,10,11,13,14,15,16,17,18,19,20,21,22,23,24,25,27,28,31,32,33,34,35,36,37,38,39,40,41,42,43,44,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,67,70,72,73,74,75,76,77,78,79,80,81,82,84,85,86,87,88,89,90};

char *GetFilename(char *p)
{ 
    static char name[30]={""};
    char *q = strrchr(p,'/') + 1;
    strncpy(name,q,20);
    return name;
}

  • 用下面代码替换detector.c文件（example文件夹下）的void test_detector函数（注意有3处要改成自己的路径）

void test_detector(char *datacfg, char *cfgfile, char *weightfile, char *filename, float thresh, float hier_thresh, char *outfile, int fullscreen)
{
    list *options = read_data_cfg(datacfg);
    char *name_list = option_find_str(options, "names", "data/names.list");
    char **names = get_labels(name_list);
 
    image **alphabet = load_alphabet();
    network *net = load_network(cfgfile, weightfile, 0);
    set_batch_network(net, 1);
    srand(2222222);
    double time;
    char buff[256];
    char *input = buff;
    float nms=.45;
    int i=0;
    while(1){
        if(filename){
            strncpy(input, filename, 256);
            image im = load_image_color(input,0,0);
            image sized = letterbox_image(im, net->w, net->h);
        //image sized = resize_image(im, net->w, net->h);
        //image sized2 = resize_max(im, net->w);
        //image sized = crop_image(sized2, -((net->w - sized2.w)/2), -((net->h - sized2.h)/2), net->w, net->h);
        //resize_network(net, sized.w, sized.h);
            layer l = net->layers[net->n-1];
 
 
            float *X = sized.data;
            time=what_time_is_it_now();
            network_predict(net, X);
            printf("%s: Predicted in %f seconds.\n", input, what_time_is_it_now()-time);
            int nboxes = 0;
            detection *dets = get_network_boxes(net, im.w, im.h, thresh, hier_thresh, 0, 1, &nboxes);
            //printf("%d\n", nboxes);
            //if (nms) do_nms_obj(boxes, probs, l.w*l.h*l.n, l.classes, nms);
            if (nms) do_nms_sort(dets, nboxes, l.classes, nms);
                draw_detections(im, dets, nboxes, thresh, names, alphabet, l.classes);
                free_detections(dets, nboxes);
            if(outfile)
             {
                save_image(im, outfile);
             }
            else{
                save_image(im, "predictions");
#ifdef OPENCV
                cvNamedWindow("predictions", CV_WINDOW_NORMAL); 
                if(fullscreen){
                cvSetWindowProperty("predictions", CV_WND_PROP_FULLSCREEN, CV_WINDOW_FULLSCREEN);
                }
                show_image(im, "predictions",0);
                cvWaitKey(0);
                cvDestroyAllWindows();
#endif
            }
            free_image(im);
            free_image(sized);
            if (filename) break;
         } 
        else {
            printf("Enter Image Path: ");
            fflush(stdout);
            input = fgets(input, 256, stdin);
            if(!input) return;
            strtok(input, "\n");
   
            list *plist = get_paths(input);
            char **paths = (char **)list_to_array(plist);
             printf("Start Testing!\n");
            int m = plist->size;
            if(access("/home/learner/darknet/data/outv3tiny_dpj",0)==-1)//"/home/learner/darknet/data"修改成自己的路径
            {
              if (mkdir("/home/learner/darknet/data/outv3tiny_dpj",0777))//"/home/learner/darknet/data"修改成自己的路径
               {
                 printf("creat file bag failed!!!");
               }
            }
            for(i = 0; i < m; ++i){
             char *path = paths[i];
             image im = load_image_color(path,0,0);
             image sized = letterbox_image(im, net->w, net->h);
        //image sized = resize_image(im, net->w, net->h);
        //image sized2 = resize_max(im, net->w);
        //image sized = crop_image(sized2, -((net->w - sized2.w)/2), -((net->h - sized2.h)/2), net->w, net->h);
        //resize_network(net, sized.w, sized.h);
        layer l = net->layers[net->n-1];
 
 
        float *X = sized.data;
        time=what_time_is_it_now();
        network_predict(net, X);
        printf("Try Very Hard:");
        printf("%s: Predicted in %f seconds.\n", path, what_time_is_it_now()-time);
        int nboxes = 0;
        detection *dets = get_network_boxes(net, im.w, im.h, thresh, hier_thresh, 0, 1, &nboxes);
        //printf("%d\n", nboxes);
        //if (nms) do_nms_obj(boxes, probs, l.w*l.h*l.n, l.classes, nms);
        if (nms) do_nms_sort(dets, nboxes, l.classes, nms);
        draw_detections(im, dets, nboxes, thresh, names, alphabet, l.classes);
        free_detections(dets, nboxes);
        if(outfile){
            save_image(im, outfile);
        }
        else{
             
             char b[2048];
            sprintf(b,"/home/learner/darknet/data/outv3tiny_dpj/%s",GetFilename(path));//"/home/leaner/darknet/data"修改成自己的路径
            
            save_image(im, b);
            printf("save %s successfully!\n",GetFilename(path));
/*
#ifdef OPENCV
            //cvNamedWindow("predictions", CV_WINDOW_NORMAL); 
            if(fullscreen){
                cvSetWindowProperty("predictions", CV_WND_PROP_FULLSCREEN, CV_WINDOW_FULLSCREEN);
            }
            //show_image(im, "predictions");
            //cvWaitKey(0);
            //cvDestroyAllWindows();
#endif*/
        }
 
        free_image(im);
        free_image(sized);
        if (filename) break;
        }
      }
    }
}
  • 重新进行编译
make clean
make
  • 开始批量测试
./darknet detector test cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_20000.weights
  • 输入Image Path(所有的测试文件的路径，可以复制voc.data中valid后边的路径):
/home/learner/darknet/data/voc/2007_test.txt # 完整路径
  • 结果都保存在./data/out文件夹下

生成预测结果

生成预测结果

  • ./darknet detector valid <data_cfg> <test_cfg> <weights> <out_file>
  • yolov3-voc.cfg(cfg文件夹下)文件中batch和subdivisions两项必须为1。
  • 结果生成在<data_cfg>的results指定的目录下以<out_file>开头的若干文件中，若<data_cfg>没有指定results，那么默认为<darknet_root>/results。
  • 执行语句如下：在终端只返回用时，在./results/comp4_det_test_[类名].txt里保存测试结果
./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_20000.weights

采用第三方compute_mAP

下载第三方库：

git clone https://github.com/LianjiLi/yolo-compute-map.git

进行如下修改:

  • 修改darknet/examples/detector.c中validate_detector()

    char *valid_images = option_find_str(options, "valid", "./data/2007_test.txt");//改成自己的测试文件路径

if(!outfile) outfile = "comp4_det_test_";
        fps = calloc(classes, sizeof(FILE *));
        for(j = 0; j < classes; ++j){
            snprintf(buff, 1024, "%s/%s.txt", prefix, names[j]);//删除outfile参数以及对应的%s
            fps[j] = fopen(buff, "w");

  • 重新编译

    make clean
make

  • 运行valid

    darknet文件夹下运行./darknet detector valid cfg/voc.data cfg/yolov3-tiny.cfg backup/yolov3-tiny_164000.weights（改为自己的模型路径）

  • 在本文件夹下运行python compute_mAP.py

  • 说明：compute_mAP.py中的test.txt文件内容只有文件名字，不带绝对路径，不带后缀

Reference

YOLOv3目标检测总结

官方网站

思路整理自@zhaonan

代码改变世界

分类: 深度学习 专栏

标签: 经验, yolov3, 配置, map, test

好文要顶 关注我 收藏该文

pprp
关注 - 69
粉丝 - 21

+加关注

1

0

« 上一篇：CycleGAN 配置及其实现
» 下一篇：(转载)YOLO配置文件理解

posted @ 2018-08-23 18:22 pprp 阅读(7246) 评论(0) 编辑 收藏

浩瀚之水_csdn
关注
  • 2
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Ubuntu使用darknet实现YOLOv4-tiny预训练模型测试+训练自己的数据集+评估自己的模型
Xavier的博客
12-27 6064
文章目录1.编译darknet2.训练3.测试 YOLOv4-tiny的原理本文暂时不讲，只有应用 1.编译darknet 1.在GitHub网址https://github.com/AlexeyAB/darknet下载最新版的darknetAB源码 参考博客：Yolo v4系列学习（五）Yolov4-tiny ./darknet detector test ./cfg/coco.data cfg/yolov4-tiny.cfg yolov4-tiny.weights data/dog.jpg # 图片测试
AiDitron训练工具使用手册
06-01
AiDitron训练工具使用手册\AiDitron训练工具使用手册.pdf
深度学习darknet框架训练模型
戚晨夕的博客
04-18 2783
深度学习 文章目录深度学习前言一、训练准备1.新建 data/voc.names 文件2.新建 cfg/voc.data 文件3.新建 cfg/yolov3.cfg 文件4.anchor聚类5.下载预训练权重文件二、开始训练三、测试总结 前言 前面我们配置好了深度学习的环境，也准备好了数据集。 一、训练准备 训练自己的数据集前，需要修改一些配置文件 1.新建 data/voc.names 文件 可以复制原有的 data/voc.names 内容再根据自己情况修改，可以重新命名， 如 data/voc-dp.
Darknet框架2：YOLOV3-使用Darknet训练检测自定义模型+COCO数据集！
AI新视界
07-08 6930
yolov3检测模型之darknet环境搭建+训练ms coco数据集！ 文章目录一、YOLOV3网络结构二、YOLOV3 Darknet 编译2.1、Clone项目文件2.2、根据环境，修改Makefile 文件2.3、项目编译2.4、测试三、YOLOV3 训练自定义数据3.1、数据准备3.2、训练数据集文件3.3、数据集配置3.4、模型训练3.5、模型简单测试四、YOLOV3 训练 COCO...
【darknet-yolo系列】yolov3 训练模型操作流程（包含所有资源下载）
sazass的博客
07-08 3309
全程参考官方文档：https://github.com/AlexeyAB/darkne 非常详细！ 1.标注数据集，并转为yolo模式（txt格式）： 标注的方式很多，这边只针对labelImg工具标注来做的，没有的可自行网上下载； 标注完成后，会生成xml文件，这里需要转换成yolo需要的txt格式： txt的格式： <object-class> <x_center> <y_center> <width> <height> 第一个：分类数 第二
darknet训练yolov7-tiny(AlexeyAB版本)
07-18
因darknet框架下的模型训练，相对pytorch框架训练成本低，且作者也提供了darknet框架下的配置文件和预训练模型，本人也在评估darknet框架下的v7-tiny模型，再次将AlexeyAB大佬开源的模型和配置文件上传，给自己做一...
darknet版yolov3乒乓球检测训练权重 darknet-master-pp.zip
11-26
darknet版yolov3乒乓球检测训练权重，data/coco.names ; cfg/coco.data ; cfg/yolov3.cfg ; 类别名为ping pong；训练好的权重保存在backup文件夹中；附附训练loss图和map曲线图，并包含乒乓球训练数据集400多张
Darknet版YOLOv4-visdrone数据集训练模型 backup-visdrone-v4.zip
05-12
1、Darknet版YOLOv4 visdrone数据集训练模型，训练结果文件，包含visdrone.data , visdrone.names, yolov4-visdrone.cfg， yolov4-visdrone_best.weights权重文件，并包含训练loss曲线和map曲线图， 2、检测结果见：...
(AlexeyAB全版本)darknet训练yolov7-tiny
11-02
因darknet框架下的模型训练，相对pytorch框架训练成本低，且作者也提供了darknet框架下的配置文件和预训练模型，本人也在评估darknet框架下的v7-tiny模型，再次将AlexeyAB大佬开源的模型和配置文件上传，给自己做一...
Darknet yolov3训练流程.docx
12-31
详细描述daknet yolov3训练过程，包含数据标注、标注数据转化说明及其python代码、CPU和GPU训练过程及GPU训练结果描述，适合刚接触darknet模型训练的朋友们，如对文档相关内容或yolo模型相关的其他问题，均可留言...
coco训练集darknet_【darknet速成】Darknet图像分类从模型自定义到测试
weixin_39747383的博客
12-12 229
欢迎来到专栏《2小时玩转开源框架系列》，这是我们第12篇文章，前面已经说过了caffe，tensorflow，pytorch，mxnet，keras，paddlepaddle，cntk，chainer，deeplearning4j，matconvnet，lasagne。今天说darknet，也是最后一个框架了，本文所用到的数据，代码请参考我们官方git https://github.com/lon...
如何训练darknet模型：修改官网已有模型训练自己图片
haimianjie2012的专栏
04-24 1758
darknet分类官网教程：https://pjreddie.com/darknet/imagenet/ 1.修改cfg文件 cfg文件是darknet架构的网络结构定义文件 搭建darknet深度学习运行编译环境GPU版本CUDA10.0.130+cuDNN7.6.0+OpenCV3.4.0+VS2015+Win10 有关cfg文件的说明见：Darknet模型中cfg文件理解与说明 一...
C++调用编译好的darknet来进行物体监测
qq_29462849的博客
03-10 6378
前言 darknet是一个基于C写出的框架，yolov3速度快，定位准确率比较高，很适合落地到自己的工程中。那么如何调用编译好的darknet.so动态链接库呢？ 正文 首先需要去darknet官网下载好darknet-master，然后进行编译，编译的时候最好选择GPU格式的，这样在后面监测的时候速度会非常快。 好啦，直接上代码吧～代码主要包含两个头文件和两个源文件。 imprcoess.h #...
darkNet训练自己的yolov4模型
qq_40622955的博客
10-29 1559
简介：Darknet项目是github上的一个开源深度学习框架，用c语言编写，布置C/C++环境比较方便。 项目地址：https://github.com/AlexeyAB/darknet 项目作者主页：https://pjreddie.com/darknet/ 前人栽树后人乘凉，多谢开源大佬 1.图片数据标注 labelme标注工具标注的文件是json格式的文件，在yolo检测的框架下需要txt格式的标注，但是没有关系，转换也很简单。 没有labelme的话直接，pip install labelme
win10在darknet训练完成后用C++调用实现目标检测
ly3848的博客
09-30 1880
win10在darknet训练完成后用C++调用实现目标检测 1.目的 最终让图片目标检测功能封装到动态库文件中，供其它函数直接调用 2.准备工作 软件： 1.visual studio 2015 2.opencv3.4.7（版本尽量新，3.4.0貌似不行） 文件： 1.darknet训练完成后的weights格式文件yolov3.weights 2.test时的cfg文件yolov3.cfg 3...
darknet训练yolo_v3
CV_RC的博客
07-18 6062
使用官方darknet来训练YOLO-v3 官方darknet地址：https://github.com/pjreddie/darknet 1.基本环境的配置及安装：opencv、cuda、nvidia驱动、cudnn、darknet    参考教程：https://blog.csdn.net/gzj_1101/article/details/78651650    官方教程：https:...
darknet-yolov3训练自己的数据
qqyouhappy的博客
07-05 255
注意：本篇博客直接使用VOC2007数据集 1.数据集 Labelimg软件构建数据集，Labelimg项目地址：https://github.com/tzutalin/labelImg，Labelimg快捷键： Ctrl + u Load all of the images from a directory Ctrl + r Change the default annotation target dir Ctrl + s Save Ctrl + d Copy t
YOLOV3(darknet版)----训练已放弃(核心已转储)
qq_51331745的博客
03-13 1149
简单写一下YOLOV3遇到的一个问题----训练已放弃(核心已转储) 这个问题在训练和测试的时候经常出现，特别是自己训练数据集和使用自己训练权重进行测试的时候。简单总结一下出现的原因和解决方案吧。 1、权限问题 由于在进行训练时，应该是调用了一些编译生成的文件，没有权限去读取，所以在“./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74”命令之前加上sudo。 2、标签问题 检测的标签在data/voc.name
darknet-yolov7
最新发布
09-27
Yolov7是在Darknet框架下进行训练的一种目标检测模型，它可以用于检测图像或视频中的多个目标。 Darknet-yolov7提供了多个预训练模型和配置文件，可以根据具体的需求选择适合的模型进行训练和推理。相对于其他框架...

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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