windows下基于darknet框架+Yolo模型训练自己的数据集

以下均是基于darnet编译完之后进行的。
https://blog.csdn.net/hai_fellow_Z/article/details/116236905

1、准备数据集

下面是我的做法，在x64文件夹下新建Mydata文件夹，基于此放自己的VOC2007格式的数据集。

Annotatiaon文件夹是xml标注文件，JPEGImages是原始训练数据集，ImageSets文件夹中还包含Main文件夹，在Main文件夹中包含以下文件。

将VOC2007格式数据转为YOLOV3格式。
在文件夹\build\darknet\x64\data\voc中找到voc_label.py，拷贝到Mydata文件夹下

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')]			//第一处修改

classes = ["crack"]			//第二处修改，修改为自己数据集的label

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):
    in_file = open('VOCdevkit/VOC%s/Annotations/%s.xml'%(year, image_id))
    out_file = open('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('VOCdevkit/VOC%s/labels/'%(year)):
        os.makedirs('VOCdevkit/VOC%s/labels/'%(year))
    image_ids = open('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/VOCdevkit/VOC%s/JPEGImages/%s.jpg\n'%(wd, year, image_id))
        convert_annotation(year, image_id)
    list_file.close()

双击运行后，会生成三个txt文档，同时在数据集文件夹中生成labels文件夹。


labels文件夹中生成yolo格式的txt文件。

二、准备配置文件

1、准备.cfg文件
下面是我的做法，新建MyCfg文件夹，将yolov3.cfg拷贝到该文件夹下。
对应修改cfg中的参数，首先是classes，将其修改为要检测的类别数目；其次修改yolo层之前卷积层的fliters，fliters=(5+classes)*3；

最后，可以根据需要修改max_batches以及steps数目。
2、准备.names文件以及.data文件

在.names文件中标明类别；

在.data文件中对应修改

三、模型训练

1、下载权重文件darknet53.conv.74，放到\build\darknet\x64下
https://pjreddie.com/media/files/yolov3.weights
2、cmd到darknet.exe所在文件夹\build\darknet\x64下面，输入

darknet.exe detector train Mydata/train.data MyCfg/yolov3.cfg darknet53.conv.74

对应为

darknet.exe detector train data文件位置 cfg文件位置 模型权重位置
多gpu训练 (最多4个GPU)：
darknet.exe detector train data文件位置 cfg文件位置 模型权重位置 -gpu 使用的gpu

所以以上所有关于建立文件夹的地方均可以自行设计，只需要在最后训练的时候对应找到正确的路径即可。。

四、模型测试

cmd到darknet.exe所在文件夹\build\darknet\x64下面，输入

darknet.exe detector test Mydata/train.data MyCfg/yolov3.cfg backup/yolov3_10000.weights Mydata/test_data/0008.jpg

对应为

darknet.exe detector test  data文件位置  cfg文件位置  权重文件位置  测试图片位置