首先需要编译,cd到darknet-master目录下,
更改makefile文件
GPU=1
CUDNN=1
CUDNN_HALF=1
OPENCV=1 ……
make -j2
需要改动的文件为 darknet/src 下的image.c文件
找到draw_detections_v3 函数,在第369行处:
qsort(selected_detections, selected_detections_num, sizeof(*selected_detections), compare_by_probs);
for (i = 0; i < selected_detections_num; ++i) {
在for (i = 0; i < selected_detections_num; ++i) { 这个for循环中加入代码:
如果只需要一类识别结果,加入代码为:
if(strcmp(names[selected_detections[i].best_class], "你所需要检测的类别名字") != 0){
continue;
}
如果需要两类识别结果,在if中再嵌套一个if条件:
if(strcmp(names[selected_detections[i].best_class], "你所需要检测的第一种类别名字") != 0){
if(strcmp(names[selected_detections[i].best_class], "你所需要检测的第二种类别名字") != 0){
continue;
}
}
(不改这个部分好像也没什么问题,只是看到有一篇博客说要改这里T_T)
然后配置训练文件
建文件夹VOCdevkit\VOC2007,里面有以下四项
├── Annotations(标注的xml文件)
├── object_00001.xml
└── object_00002.xml
├──ImageSets
├──Main
├──train.txt(自己划分出来的训练集图片名称,没有jpg后缀的)
├──val.txt(列举验证集图片的名称)
├──test.txt
├── JPEGImages(训练图片)
├── object_00001.jpg
└── object_00002.jpg
…
├── Labels(这个里面的内容后面voc_label.py生成)
├── object_00001.txt
└── object_00002.txt
…
然后把VOCdevkit存入darknet-master/build/darknet/x64/data中
然后修改同文件夹下的voc/voc_label.py。(我是在x64下运行,当前文件夹下会生成2007_train.txt,2007_val.txt,2007_test.txt)
我这里的代码修改为
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')]
#项目类别
classes = ["stone", "fod"]
def convert(size, box):
dw = 1./size[0]
dh = 1./size[1]
x = (box[0] + box[1])/2.0
y = (box[2] + box[3])/2.0
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):
#这里改为.xml文件夹的路径
in_file = open('data/VOCdevkit/VOC%s/Annotations/%s.xml'%(year, image_id))
#这里是生成每张图片对应的.txt文件的路径
out_file = open('data/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('data/VOCdevkit/VOC%s/labels/'%(year)):
os.makedirs('data/VOCdevkit/VOC%s/labels/'%(year))
image_ids = open('data/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/data/VOCdevkit/VOC%s/JPEGImages/%s.jpg\n'%(wd, year, image_id))
convert_annotation(year, image_id)
list_file.close()
然后cd到darknet-master下的cfg中,复制coco.data到本地,更改为obj.data,将其更改为:
classes= 2
#之前生成两个文件的地址,相对地址也可
train = /home/xinwen/workspace/darknet-master/2007_train.txt
valid = /home/xinwen/workspace/darknet-master/2007_val.txt
names = cfg/obj.names
backup = backup/
coco.names也同样复制到当前文件夹下,命名为obj.names,改为:
#类别名称
stone
fod
接下来是yolov4.custom.cfg复制到当前,命名为yolo-obj.cfg(等下的训练命令以此),改动以下:
修改classes和上面的filters,filters=(类别+5)*3,一共有三个要修改地方
然后还有max_batches改为6000(类别比较少,不用那么久)
steps改为4800,5400(一般分别为batches的80%和90%)
还有width和hight改为416
第6行,第7行的batch和subdivisions可以视服务器的性能而定,这里改为
batch=16
subdivisions=32
然后下载预训练集yolov4.conv.137到darknet-master
然后就可以开始训练了,在darknet-master下
./darknet detector train cfg/obj.data cfg/yolo-obj.cfg yolov4.conv.137
测试
./darknet detector test cfg/obj.data cfg/yolo-obj.cfg backup/yolo-obj_last.weights