《caffe学习之路》第七章：Ubuntu16.04 MobileNet_YOLOv3训练自己的数据集

MobileNet_YOLOv3有着速度快，mAP高的优势

 这是MobileNet_SSD，这个推理速度稍微快一点

 

在MobileNet_YOLOv3如何训练自己的数据

第一步、生成lmdb数据集

这一步在此就不用多说了，第六章有详细介绍：

https://blog.csdn.net/hunzhangzui9837/article/details/88319710

第二步、训练

1、搭建环境

主要是cuda、cudnn、opencv以及python相关的包的安装，详情参考：

https://blog.csdn.net/hunzhangzui9837/article/details/87939458

2、下载

git clone https://github.com/eric612/MobileNet-YOLO.git

3、编译

cd $MobileNet-YOLO_root/
mkdir build`
cd build
cmake ..
make -j4
make pycaffe

可以通过运行里面的demo，测试是否编译成功，如：

cd $MobileNet-YOLO_root/
sh demo_yolo.sh

4、训练准备

（1）找一个模型做训练，如train_yolov3.sh

打开可以看到，里面用的solver是：models/yolov3/mobilenet_yolov3_solver.prototxt

用的预训练模型是：mobilenet_iter_73000.caffemodel

（2）在根目录example里面建立一个文件（自己定义），里面用于保存自己的训练文件

里面包含如下文件：

其中，train_Mobilenet_YOLOv3.sh是train_yolov3.sh基础上改的，里面包含solver.prototxt(在mobilenet_yolov3_solver.prototxt基础上改的)，以及预训练模型路径。如下：

#!/bin/sh
./build/tools/caffe train -solver="examples/YOLO_Helmet/solver.prototxt" \
-weights="models/MobileNet/mobilenet_iter_73000.caffemodel" \
--gpu 1 2>&1 | tee examples/YOLO_Helmet/YOLO_Helmet.log \

YOLO_Helmet.log为训练时输出的日志，便于查看哪一次训练的mAP更高；

我们一层一层的看，solver.prototxt里面的内容：

train_net: "examples/YOLO_Helmet/train.prototxt"
test_net: "examples/YOLO_Helmet/test.prototxt"
test_iter: 635
test_interval: 2000
base_lr: 0.0005
display: 10
max_iter: 120000
lr_policy: "multistep"
gamma: 0.5
weight_decay: 0.00005
snapshot: 2000
snapshot_prefix: "models/MobileNet/mobilenet_yolov3_deploy"
solver_mode: GPU
debug_info: false
snapshot_after_train: true
test_initialization: false
average_loss: 10
stepvalue: 25000
stepvalue: 50000
stepvalue: 75000
iter_size: 4
type: "RMSProp"
eval_type: "detection"
ap_version: "11point"
show_per_class_result: true

每行参数的意义我就不一一说明（自行百度），重点说一下三个路径：

train_net：存放train.prototxt（在mobilenet_yolov3_train.prototxt基础上改的）的路径；
test_net：存放test.prototxt（在mobilenet_yolov3_test.prototxt基础上改的）的路径；
snapshot_prefix：训练输出模型的路径，其中mobilenet_yolov3_deploy为模型名字；

我们一层一层的看，先看test.prototxt

找到上图的位置，修改三个地方：

（a）source路径（这里就是lmdb格式的测试集）；

（b）batch_size的大小，这里的batch_size×solver.prototxt里面的test_iter>=测试集的数据，不然在训练时loss值可能不会下降，但是batch_size不能过大，否则GPU承受不了。
（c）label_map_file路径要修改

上图的num_output需要修改（有三处），具体大小参考官方说明：

比如我的分类只有5类（不包含background），所以这里设置为30

所以上图的num_classes设置为5

但是这儿需要设置为6（包含background）

我们一层一层的看，再看train.prototxt

这儿跟上面一样，修改就好了

这儿也跟上面一样，修改就好了

num_classes都设置为5（有三处）、

5、训练

cd $MobileNet-YOLO_root/
./examples/YOLO_Helmet/train_Mobilenet_YOLOv3.sh 

慢慢等待吧！