Yolov3模型训练数据之详解

在下载好Yolov3工程项目的前提下，如下所示：

一、如图所示：

data文件夹中包含images、xml、labels、my.cfg、train.txt、voc_label.py

1.images文件夹：里面存储原始图片（要被打标签的图片).
2.xml文件夹：存储后缀为.xml的文件（运行labelImg-master中的labelImg.py文件，对images文件夹中的图片打标签，每张图片打完标签后都对应一个.xml文件）.
3.修改my.cfg文件中的所有classes的值（值为训练数据类别的个数），若一个类别，classes=1;同时，就近原则，将距离classes最近的filters的值修改为【3*（5+类别的个数】,若classes=1,即filters=18.
4.修改voc_label.py中classes=[“类别名称1”，“类别名称2”，…].
5.在此文件夹中运行voc_label.py：语句 python voc_label.py,生成.txt文件，存储到labels中.同时生成my.data,my.names,test.cfg文件，my.data中包含classes=类别数；train=train.txt的路径；names=my.names的路径；backup=backup；my.names中为类别的名称;test.cfg文件不用改.

二、训练。在train_exe文件夹中打开终端，输入训练语句：
./darknet detector train my.data的绝对路径 my.cfg的绝对路径 darkne53.conv.74 -gpus 0(可选)
执行此命令时，若遇到permission denied提示时，重新编译
执行命令make clean，再执行命令make等待backup文件夹中出现权重文件，一般平均损失函数小于0.06就可以终止训练.
修改train_exe\test_exe两个文件夹中的Makefile文件中Gpu=1;CUNN=1;其他值为0；

三、测试。（针对图片）
在test_exe文件夹中修改darknet.py
修改1：lib = CDLL(“test_exe文件夹中libdarknet.so的路径”, RTLD_GLOBAL)
修改2：net = load_net(“data文件夹中test.cfg的路径”, “文件夹中backup文件夹中的权重”, 0)
修改3： meta = load_meta(“data文件夹中my.data的路径”)
修改4：detect_image(net, meta, “要测试的图片的路径”)
最后，在此文件夹中打开终端，执行语句python darknet.py