linux之yolov3的重新训练

最近一段时间把yolov3里面的voc2007-2012样本重新训练了一次，中间遇到不少坑，此篇希望能帮到后来者。

我用的电脑配置并不高（gtx780）

训练前提：电脑装好linux16.04，opencv3.4，cuda9.0，cudnn7.0（这些在网上教程比较多，也许版本不一样，但是安装整体过程都是一样的。）

下面直接进入主题：重新训练yolov3

前期工作：

1.下载darknet：

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

2.进入darknet修改Makefile配置：

因为用到了gpu，cudnn，opencv。因此0改为1，gtx780的计算能力是35，因此设置为35（计算能力可以自行进nvida官网查询：https://developer.nvidia.com/cuda-gpus）只需改第10行的数字，另外几行可以不需要改动。再把另外三处路径对应着自己的cuda路径。到这就完成对Makefile修改了。

GPU=1
CUDNN=1
OPENCV=1
........................................................
ARCH= -gencode arch=compute_30,code=sm_30 \
      -gencode arch=compute_35,code=sm_35 \
      -gencode arch=compute_50,code=[sm_50,compute_50] \
      -gencode arch=compute_35,code=[sm_35,compute_35]
.........................................................
NVCC=/usr/local/cuda-9.0/bin/nvcc           #第23行
.........................................................
COMMON+= -DGPU -I/usr/local/cuda-9.0/include/      #第49行
..........................................................

LDFLAGS+= -L/usr/local/cuda-9.0/lib64 -lcuda -lcudart -lcublas -lcurand   #第51行

3.安装darknet：

cd darknet
make

4.下载原作者的权重文件

wget https://pjreddie.com/media/files/yolov3.weights   #下载权重文件

5.测试图片

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg  #使用下载的权重文件进行图片检测

测试结果：

至此前期工作全部完成，我们可以开始进行训练voc样本的训练了；

训练voc数据：

1.下载voc数据并解压：（这部下载会很慢，可以在window上用迅雷下载然后复制过来，会快很多）

wget https://pjreddie.com/media/files/VOCtrainval_11-May-2012.tar
wget https://pjreddie.com/media/files/VOCtrainval_06-Nov-2007.tar
wget https://pjreddie.com/media/files/VOCtest_06-Nov-2007.tar
tar xf VOCtrainval_11-May-2012.tar
tar xf VOCtrainval_06-Nov-2007.tar
tar xf VOCtest_06-Nov-2007.tar

2.现在已经有数据集，每张照片的名字也改好了，接下来就是把每张图片的信息以.txt形式保存下来，进入darknet/scripts。里面会有一个voc_label.py，将此脚本复制到主目录下（这样做主要是可以省去一些代码）

python voc_label.py
cat 2007_train.txt 2007_val.txt 2012_*.txt > train.txt

3.对配置文件进行修改，进入darknet/cfg/voc.data，因为是重新训练voc数据，所以第1，4，5行可以不需要修改，只需修改第2,3行，改为自己对应的路径（在主目录下通过属性找到对应的路径）

  1 classes= 20
  2 train  = <path-to-voc>/train.txt
  3 valid  = <path-to-voc>/2007_test.txt
  4 names = data/voc.names
  5 backup = backup

4.进入darknet/cfg/yolov3-voc.cfg（！！！这一步非常，非常，非常重要）将测试模式改为训练模式。即将Testing下的batch=1，subdivisions=1加上#注释；同时将Training下的batch=64，subdivisions=16的#注释去掉；要是觉得显存比较小，在同一目录下，同时将random从1改为0即是关闭多尺度训练，共有三处。

[net]
# Testing    ................测试模式
 #batch=1
 #subdivisions=1
# Training   ................训练模式
 batch=64
 subdivisions=16
................................................

random=0             #关闭多尺度训练分别在第616，700，784行；

5.下载寻先训练权重：

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

6.开始重新训练权重：

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

gtx780经历一周之后，终于出了结果，权重都保存在darknet/backup内（训练半天时间就能出最终结果的一定是有问题的）将训练得到的最终yolov3-voc_final.weights文件拷贝到darknet文件夹内。

7.测试训练到的权重

先将第4步的训练模式改为测试模式。然后进入darknet/examples/darknet.c在第440行将coco.data改为voc.data

test_detector("cfg/voc.data", argv[2], argv[3], filename, thresh, .5, outfile, fullscreen);

然后重新编译环境。

cd darknet
make clean
make

至此所有配置修改完成，可以进行图片测试了

 ./darknet detect cfg/yolov3-voc.cfg yolov3-voc_final.weights data/dog.jpg

结果如下：