# 使用yolov3训练自己的数据集(Ubuntu18.04)（个人记录贴）

1、下载VOC2007数据集，把所有文件夹里面的东西删除，保留所有文件夹的名字（或者参照VOC2007新建文件夹）。如下图所示：

2、把所有的图片都复制到JPEGImages文件夹中。

3、生成Annotations下的文件

3.1、用labelimg标注图片生成xml数据

使用标注工具labelimg手动给每一张图片加标签生成xml格式文件并放入Annotations文件夹中。
本人使用的是ImageNet数据集中的部分图片并自己填充一些图片。

3.2、下载Iabelimg（https://github.com/tzutalin/labelImg）

sudo apt-get install pyqt4-dev-tools # 安装PyQt4
sudo pip install lxml （# 安装lxml，如果报错，可以试试下面语句sudo apt-get install python-lxml）
git clone https://github.com/tzutalin/labelImg.git
cd labelImg
make all
./labelImg.py

使用labelimg给图片标注，标注结果(xml文件)保存在Annotations文件夹中。

3.3、将xml转换成为darknet能读入的txt格式文件

3.31、生成ImageSets/Main/4个文件

在VOC2007下建个文件test.py，并运行，结果如下：

test.py代码如下：

import os
import random

trainval_percent = 0.1
train_percent = 0.9
xmlfilepath = 'Annotations'
txtsavepath = 'ImageSets\Main'
total_xml = os.listdir(xmlfilepath)

num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

ftrainval = open('ImageSets/Main/trainval.txt', 'w')
ftest = open('ImageSets/Main/test.txt', 'w')
ftrain = open('ImageSets/Main/train.txt', 'w')
fval = open('ImageSets/Main/val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftest.write(name)
        else:
            fval.write(name)
    else:
        ftrain.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

3.32创建文件名为voc_label.py的文件

复制以下代码（记得将路径改成自己的，把所有#后面的注释删掉，否则运行不了）

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join

sets=[('2007', 'train'), ('2007', 'val'), ('2007', 'test')]
#按需修改
classes = ["garbabe can","clothes","carton","cell phone","bottle","cup","file","towel","spoon","roll paper","bed quilt","bowl","plate","window","book","fruit"]
#改为自己的类别

def convert(size, box):
    dw = 1./size[0]
    dh = 1./size[1]
    x = (box[0] + box[1])/2.0
    y = (box[2] + box[3])/2.0
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x*dw
    w = w*dw
    y = y*dh
    h = h*dh
    return (x,y,w,h)

def convert_annotation(year, image_id):
    in_file = open('VOCdevkit/VOC%s/Annotations/%s.xml'%(year, image_id))
    out_file = open('VOCdevkit/VOC%s/labels/%s.txt'%(year, image_id), 'w')
    tree=ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)

    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
        bb = convert((w,h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')

wd = getcwd()

for year, image_set in sets:
    if not os.path.exists('VOCdevkit/VOC%s/labels/'%(year)):
        os.makedirs('VOCdevkit/VOC%s/labels/'%(year))
    image_ids = open('VOCdevkit/VOC%s/ImageSets/Main/%s.txt'%(year, image_set)).read().strip().split()
    list_file = open('%s_%s.txt'%(year, image_set), 'w')
    for image_id in image_ids:
        list_file.write('%s/VOCdevkit/VOC%s/JPEGImages/%s.jpg\n'%(wd, year, image_id))
        convert_annotation(year, image_id)
    list_file.close()

运行上述文件：

python voc_lable.py

在VOC2007文件夹下生成labels文件夹，labels文件夹内存储由xml格式标注文件转化生成的TXT格式文件。同时在darknet/VOCdevkit下生成2007_test.txt、2007_train.txt、2007_val.txt文件。2007_train.txt文件中包含要训练的图片以及图片的路径。

3.4修改配置文件

1、创建cfg/lsq.data，写入如下代码，并根据自己的类别数量和路径修改文件。

classes=16
train=/home/lsq/darknet/VOCdevkit/2007_train.txt
valid=/home/lsq/darknet/VOCdevkit/2007_test.txt
names=data/lsq.name
backup=backup

2、复制cfg/yolov3-voc.cfg并重命名yolov3-lsq.cfg，然后修改如下内容：[yolo]下面的classes=16为自己的类别数，[yolo]上面的[convolutional]中的filters=63为3*（5+classes），共需要修改3处。

3、创建data/lsq.name，将自己训练的类别写入。
4、本人使用GPU、CUDNN、OPENCV，因此修改darknet文件下的Makefile如下：

5、参考本人另一篇博客：https://editor.csdn.net/md/?articleId=108362959

4 训练&测试

1、训练

./darknet detector train cfg/lsq.data cfg/yolov3-lsq.cfg

2、假如训练900次时想要测试以下训练效果

./darknet detect cfg/yolov3-lsq.cfg backup/yolov3-lsq_900.weights prediction.jpg -thresh 0.4

3、从中止处继续训练

./darknet detector train cfg/lsq.data cfg/yolov3-lsq.cfg backup/yolov3-lsq_900.weights

训练的权重文件保存在darknet/backup文件夹中。