YOLOv3 训练自己的数据（解决网上提供的文章不能一次成功的问题）

0. 写本博客的目的

对于使用yolov3训练自己的数据，网上虽然文章多，但是经过实验发现，基本没有能一次运行的成功的。因此特写此文，记录自己在使用yolov3训练自己的数据时遇到的坑。

环境：ubuntu14 + CUDA8.0 + cudnn5.0  + GTX1050Ti (4G)

1. 制作数据

      为了便于在多个目标检测框架（如Faster R-CNN，SSD等）中训练，制作数据时，推荐使用类似VOC（VOC-LIKE）数据。windows可以使用labelImg.exe来进行标注。具体这里不详细介绍了。

2. 下载+编译yolov3

      从官方网址中下载yolov3源码。具体编译过程作者有介绍。这里简要介绍一下自己编译的过程。

假设yolov3在ubuntu中的路径为/home/XXX/darknet

  1) 修改配置文件(Ｍakefile)

    Ｍakefile文件中(下面是配置文件中的修改部分，或者需要注意的部分) 

需要注意的是：是否使用GPU，是否使用CUDNN进行进一步加速，是否使用opencv。如果使用GPU时，需要注意CUDA的安装位置，如果使用opencv，需要注意opencv的位置。有关opencv的ubuntu安装，推荐一个靠谱的安装方式。对于需要注意的地方，在下面的Makefile中有相关注释。

GPU=1    ## using GPU for train or test
CUDNN=0  ## using CUDNN to improve speed
OPENCV=1   ## using opencv
OPENMP=0
DEBUG=0


## the arch of your GPU 
ARCH = -gencode arch=compute_60,code=sm_60 \
      -gencode arch=compute_61,code=sm_61 \
      -gencode arch=compute_62,code=compute_62

#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_52,code=[sm_52,compute_52] \
#      -gencode arch=compute_60,code=sm_60 \
#      -gencode arch=compute_61,code=sm_61 \
#      -gencode arch=compute_61,code=compute_61
#      -gencode arch=compute_20,code=[sm_20,sm_21] \ This one is deprecated?

# This is what I use, uncomment if you know your arch and want to specify
# ARCH= -gencode arch=compute_52,code=compute_52



CFLAGS+=$(OPTS)

ifeq ($(OPENCV), 1) 
COMMON+= -DOPENCV
CFLAGS+= -DOPENCV
LDFLAGS+= `pkg-config --libs opencv2.4`   ## the position of your opencv 
COMMON+= `pkg-config --cflags opencv2.4`   ## the position of your opencv
endif

2) 编译