YOLOv3训练自己的VOC数据集

YOLO网址：https://pjreddie.com/darknet/yolo/

一、安装darknet并借助预训练权重进行检测

1.安装darknet

git clone https://github.com/pjreddie/darknet
cd darknet
make

2.下载预训练权重

wget https://pjreddie.com/media/files/yolov3.weights

3.运行检测

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

• 在默认Makefile的情况下，会在当前目录生成predictions.jpg，显示检测结果。

二、训练自己的VOC数据集

1.原文件结构如下：

├── darknet
│   ├── VOCdevkit
│   │   ├── VOC2007
│   │   │   ├── Annotations  #存放所有xml文件
│   │   │   ├── JPEGImages   #存放所有图片
│   │   │   ├── ImageSets
│   │   │   │   ├── Main
│   │   │   │   │   ├── test.txt
│   │   │   │   │   ├── trainval.txt
│   │   │   │   │   ├── train.txt
│   │   │   │   │   ├── val.txt

• 生成ImageSets/Main中train.txt等文件的脚本，可参考之前的博客统计清理数据集文件用到的命令和python脚本中的“二、Python脚本”

2.生成label文件

• darknet需要每个图片有一个对应的txt文件，txt文件形式如下：

<object-class> <x> <y> <width> <height>

1）将scripts/voc_label.py文件复制到darknet目录下
2）根据自己数据集的情况进行修改

sets = [……]
classes = [……]

3）执行python voc_label.py
4）结果会在当前目录下产生2007_train.txt、2007_val.txt等文件；在VOC2007目录下产生labels文件
5）将验证集和训练集合成一个大的训练集，例如：

cat 2007_train.txt 2007_val.txt > train.txt

3.修改配置文件

1）修改cfg/voc.data

classes= xx
train  = /home/……/train.txt
valid  = /home/……/test.txt
names = data/voc.names
backup = backup

2）修改data/voc.names

• 将其中的类别换成自己的类别即可

3）修改cfg/yolov3-voc.cfg

• 将默认的测试状态修改为训练状态，测试时反之
• 修改三处[yolo]层各自上一层卷积层中的filters = 3 * （classes + 1 + 4）
• 修改三处[yolo]层中的classes为自己的类别数

4.训练

1）下载预训练权重

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

2）训练模型

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