概述
在物体识别的领域应用的算法很多。但yolo系列的模型无疑是不能忽略的one-stage模型,尤其是以darknet53为backbone的yolov3将整体模型的效果提升到了一个新的水平。本文将介绍如何使用yolov3的pre-trained模型来对自己的数据进行训练。yolov3的源码请参考如下github链接 https://github.com/ultralytics/yolov3
1、数据集目录结构
首先我们需要使用git命令clone yolov3的源码,这个小伙伴们都比较熟悉,这里不在赘述。
需要按照下面结构组织工程文件
./customdata ├── images │ ├── test │ └── train └── labels ├── test └── train yolov3 ├──…
其中custormdata是自己的数据集的组织格式其中 images与labels分别保存对应的图片源文件(.jpg)与标注文件(.txt)
2、生成配置文件customdata.yaml
配置文件内容如下,存储在yolov3/data/jinshahe.yaml目录下,所有文件路径也相对于yolov3/data/目录
# train and val data as 1) directory: path/images/, 2) file: path/images.txt, or 3) list: [path1/images/, path2/images/]
train: ../customdata/images/train/
val: ../customdata/images/train/
# number of classes
nc: 1
# class names
names: [ 'y&