Windows下使用Yolov3（GPU）训练+测试自己的数据集

Windows下使用Yolov3（GPU）训练+测试自己的数据集

 

1、配置Yolov3

参考：Windows下使用darknet.exe跑通Yolov3

           Window10+VS2017+CUDA10.0+OpenCV3.2.0配置Yolov3生成darknet.exe

 

2、制作VOC数据集

参考：Labelimg制作数据集

制作完成的数据集如下：

 

3、将VOC数据集转换成yolov3所需的txt数据集文件

 方法（1）：在使用labeimg制作数据集时将VOC格式改为YOLO格式，保存时自动生成txt文件。

方法（2）：

将第2步制作的VOCdevkit2007文件夹拷贝到..\darknet-master\build\darknet目录下。将..\darknet-master\scripts目录下的voc_label.py文件拷贝到..\darknet-master\build\darknet\VOCdevkit2007目录下，并重命名为voc_label_mine.py，打开进行如下修改。

# 第7行修改所需sets
sets=[('2007', 'train'), ('2007', 'val'),  ('2007', 'test')]

# 第9行修改为自己的类别
classes = ["ali", "ddg1000", "jg3", "jilong"]

# 第26、27行修改路径，可改为绝对路径
    in_file = open('VOC%s/Annotations/%s.xml'%(year, image_id))
    out_file = open('VOC%s/labels/%s.txt'%(year, image_id), 'w')

# 第48、49、50行修改路径，可改为绝对路径
    if not os.path.exists('VOC%s/labels/'%(year)):
        os.makedirs('VOC%s/labels/'%(year))
    image_ids = open('VOC%s/ImageSets/Main/%s.txt'%(year, image_set)).read().strip().split()

# 第53行修改路径，可改为绝对路径
        list_file.write('%s/VOC%s/JPEGImages/%s.jpg\n'%(wd, year, image_id))

完成后在VOCdevkit2007文件夹中生成如下文件：（txt文件中为对应图片的绝对路径）

在VOC2007文件夹中生成labels文件：（labels文件中为所有图片的xml文件转成的txt文件）

 

4、下载预训练权重

https://github.com/AlexeyAB/darknet

http://pjreddie.com/media/files/darknet53.conv.74

下载完成后存放在..\darknet-master\build\darknet\x64目录下新建的weights_pr文件夹中。

 

5、修改文件

（1）修改网络配置文件，..\darknet-master中的Makefile

（2）打开..\darknet-master\build\darknet\x64\data中的voc.data

classes= 4   # 修改为类别数
train  = E:\Yolov3\darknet-master\build\darknet\VOCdevkit\2007_train.txt   # 修改为文件所在绝对路径
valid  = E:\Yolov3\darknet-master\build\darknet\VOCdevkit\2007_test.txt   # 修改为文件所在绝对路径
#difficult = data/difficult_2007_test.txt
names = data/voc.names
backup = E:\Yolov3\darknet-master\build\darknet\x64\results_mine   # 新建results_mine文件夹存放训练好的权重文件

（3）打开..\darknet-master\build\darknet\x64\data中的voc.names（修改为自己的类别）

（4）打开..\darknet-master\build\darknet\x64中的yolov3-voc.cfg

# 第1-7行
[net]
# Testing
# batch=1
# subdivisions=1
# Training
batch=64            # 控制训练时的batchsize
subdivisions=32

# 第20行修改迭代次数
max_batches = 50200

# 第605、689、773行
filters=27   # 修改为3×（5+类别数）

# 第611、695、779行
classes=4   # 修改为类别数

# 第616、700、784行
random=1   # 多尺度输出为1，显存小时改为0关闭

 

6、开始训练

打开cmd，cd到..\darknet-master\build\darknet\x64目录下，在此目录下新建results_mine文件夹，输入命令：

darknet.exe detector train .\data\voc.data yolov3-voc.cfg .\weights_pr\darknet53.conv.74 .\results_mine

 每迭代1000次在results_mine中生成一个权重文件。

 

7、测试

打开cmd，cd到..\darknet-master\build\darknet\x64目录下，输入命令：

（yolov3-voc_21000.weights为results_mine文件夹中，训练生成的权重文件之一）

darknet.exe detector test data\voc.data yolov3-voc.cfg results_mine\yolov3-voc_21000.weights

按照提示输入测试图片的绝对路径：

 

参考：

Yolov3：win10下训练自己的数据（GPU版）（详细步骤）

win10下YOLO v3训练自己的数据集

Yolov3参数理解