YOLOv3训练过程笔记
转自:https://www.cnblogs.com/tango1221/p/10084969.html
本人使用的是linux平台,按照YOLO网页0https://pjreddie.com/darknet/yolo/的步骤操作进行下载darkenet程序包以及编译,之后可尝试用VOC2007的数据集测试一下。
下载好的darknet程序包如下图所示:
注:上图摘自一篇博客上的,https://blog.csdn.net/runner668/article/details/80579063
那么现在有了大佬给我们提供的强大工具,我们下一步该如何用起来呢?
第一部分:制作自己的数据集。
如果自己手头上有数据集,人手又够(自己标注也可以,就是枯燥点),那么就花一两天时间进行自己的检测对象标注,本人使用的标注工具是:labelimg数据集标注工具--此工具仅限于使用矩形框标注对象,如果需要其他形状的可使用labelme标注工具--该工具可以使用圆、线段、点、矩形等进行标注,工具网上都有自己搜索一下吧~!
有了工具那就进行标注吧,看着电影的功夫就可以标注个两三百张进行自己的小实验了。标注完之后,一个文件夹一个放图片,一个放标注好的.XML文件,后续还需要把.xml文件转为.txt格式。
2、使用py小程序进行xml to txt的转换,生成的txt格式的标注信息待用。
3、使用VOC_label.py文件进行txt标注信息的转换。
VOC_label.py的作用:
它将为每个.jpg图像文件创建.txt文件 - 在同一目录中并使用相同的名称,但使用.txt-extension,并将文件放入:对象编号和对象坐标,
对于每个对象在新行中:<object-class> <x> <y> <width> <height>
<object-class> - 从0到(classes-1)的整数对象编号
<x_center> <y_center> <width> <height> - 浮动值相对于图像的宽度和高度,它可以等于(0.0到1.0)
例如:<x> = <absolute_x> / <image_width>或<height> = <absolute_height> / <image_height>
注意:<x_center> <y_center> - 是矩形的中心(不是左上角)
例如,对于img1.jpg,您将创建包含以下内容的img1.txt:
1 0.716797 0.395833 0.216406 0.147222
0 0.687109 0.379167 0.255469 0.158333
1 0.420312 0.395833 0.140625 0.166667
将VOC_label.py中的classes按照自己的对象类别进行修改,然后把三处路径改好,需要修改的如下图所示:
def convert_annotation(year, image_id):
in_file = open('VOCdevkit/VOC%s/Annotations/%s.xml'%( image_id))
out_file = open('VOCdevkit/VOC%s/labels/%s.txt'%(image_id), 'w')
修改好以后生成的新TXT文件和图片放到一个文件夹里,这样才能跑起来,原因未知。
第二部分:修改配置文件Cfg和.data文件,创建自己的类别名称文件.names。
1、使用与yolov3.cfg相同的内容创建文件yolo-obj.cfg(或将yolov3.cfg复制到yolo-obj.cfg)。
change line batch to batch=64
change line subdivisions to subdivisions=8
使用 contrl+F 搜索YOLO,你会看到有三个YOLO标头得部分配置,需要改得是:
在[yolo]图层之前的3个[卷积]中将[filters = 255]更改为filters =(classes + 5)x3。
例如 classes=1
then should be filters=18
. If classes=2
then write filters=21
.
filters =(classes + 5)x3),一般来说,filter的值取决于类别,坐标和masks的数量。即filters=(classes + coords + 1)*<number of mask>,那么其中这个mask值是锚点的索引,如果mask值不存在,那么filters=(classes + coords + 1)*num.因此,例如,对于2个对象,您的文件yolo-obj.cfg应该与3个[yolo] -layers中的每一个中的yolov3.cfg不同:
2、在自己的data目录创建一个obj.names的文本文件:把自己类别的名字写进去。
3、接着创建一个obj.data:
classes= 2
train = data/train.txt # 训练图片的文件名路径集合.txt的路径
valid = data/test.txt #test.txt 文件的路径
names = data/obj.names #.names 文件的路径
backup = backup/ #back up 的路径
第三部分:开始训练并获取权重
1、下载卷积层的预先训练的权重(154 MB):https://pjreddie.com/media/files/darknet53.conv.74并放到目录darknet \
2、使用命令行开始培训: ./darknet detector train data/obj.data yolo-obj.cfg darknet53.conv.74
3、训练结束后 - 从路径构建\ darknet \ x64 \ backup \获取结果yolo-obj_final.weights
在每100次迭代后,您可以停止并稍后从此开始训练。 例如,在2000次迭代后,您可以停止训练,稍后只需将yolo-obj_2000.weights从build \ darknet \ x64 \ backup \复制到build \ darknet \ x64 \并使用:darknet.exe探测器训练数据/ obj开始训练。 数据yolo-obj.cfg yolo-obj_2000.weights
注:detector.c文件中可以修改权重文件保存的间隔。
注:如果在训练期间你看到avg(损失)字段的nan值 - 那么训练就出错了,如果仅仅出现少部分nan,训练可以照常进行。
注:如果在cfg文件中更改了width =或height =,则新的宽度和高度必须可被32整除。
注:训练后使用此类命令进行检测:darknet.exe检测器测试数据/ obj.data yolo-obj.cfg yolo-obj_8000.weights
注:如果出现错误内存不足,那么在.cfg文件中你应该尝试改变batch和subdivisions的值。
内容为自己编写和参考的一些博客:
1、https://blog.csdn.net/qq_38214193/article/details/81132053
2、https://blog.csdn.net/runner668/article/details/80579063
3、https://blog.csdn.net/weixin_39449466/article/details/80582197