darknet使用心得

注意，darknet是C++的，首先要make一下
然后.so和.a文件编译产生
python 文件夹下的darknet.py主要用这个就行了
（训练的yolov3.weights是利用coco训练的，因此.cfg和.data都采用coco的模式）
实践过程中主要修改的文件：
1）Makefile
2）./cfg 目录下的参数配置文件
3）./data 目录下的数据

使用“-thresh”参数控制显示的 bounding-box 个数

实际上很简单，网络配置加载进去，然后进行检测就行了
训练到测试都是采用的命令行train/test这样来
对于darknet最重要的三个东西.cfg .names 训练集路径
PS：对于.data中的数据地址，最重要的就是train的地址，其他例如valid、test都可以不要

1.darknet.py需要依赖 libdarknet.so文件，.so就在darknet目录下，打开darknet.py可以看到：
lib = CDLL("/home/xxx/文档/darknet-master/libdarknet.so", RTLD_GLOBAL)这句话，第一个参数变成.so的绝对路径就行了
2.看load_net，load_meta
net就是需要运行的网络，这里写出来网络结构的绝对路径
meta是数据信息，依照那个库进行识别 输入就是.data文件

注：
1.数据路径配置主要就是cfg/目录下的.data文件，里面有类别数目和train test的路径，标签名字文件.names和模型备份路径（就是backup目录里面保存的训练模型参数）
在实际中对coco.data进行了改变，重写了names的绝对路径
PS,实际训练的时候要建立train文件夹和test文件夹，对应之前路径
2…names说明了需要检测分类每种类别的名称（例如coco有80中类别，分别对应xxxx名字）
3. .cfg文件是网络配置文件，在cfg/目录下，其中参数的具体意义见：
https://www.jianshu.com/p/98aa75b0532f

训练模式：
1.首先开始训练，在backup目录里面每到一定迭代次数，会有模型参数文件保存下来（比如yolov3_pikaqiu_1000.weights）保存下来不影响继续训练
2.backup保留的模型可以继续训练 backup\yolov3_pikaqiu_2500.weights

测试模型：
可以实现一张图片输入也可以针对多张图片输入，也可以利用CUDA和OPENCV来进行实时检测，也可以对视频进行读取处理

对 cfg 配置文件，重点调整（当然是全部参数都很重要，可能都要调整），训练时调整重点的全局参数： decay momentum learning_rate 这三个是与收敛速度有关的。policy 是weights 策略的， inputs batch(及相关的subdivisions) ouputs 是与数据吞吐维度相关的，最新版本好像ouputs这里有改正。

标记完后会生成每张图片对应的xml文件，也就是每张图片的label文件，我们需要提取其中的一些boundingbox的信息。
在darknet的scripts文件夹下有一个voc_label.py的文件，这个是针对voc图片集的xml生成对应图片TXT文件的脚本，根据自己的情况进行修改，生成自己的图像数据的TXT文件数据。TXT文件的内容每行都是 这种形式，且坐标和长宽都应该是归一化后的数值。
在运行voc_label.py 脚本时还会生成一个train.txt文件，改文件里存放的是每张图片的绝对路径。Train.txt是训练时需要的文件。
生成txt文件后，记得将原图像和txt文件放到同一个文件夹下。