darknet实现吸烟的训练全流程及识别检测

一、前言

keras版本的yolov3训练的收敛效果以及模型的精度与c版本的darknet框架下yolov3训练相比，后者经过论证要比前者好很多，本文是基于这段时间的学习，捣鼓出来的，欢迎大家一起共享交流。

二、训练及验证

1. labelimg数据标注

• 通过爬虫工具爬取图片（其他途径也可以）
• 脚本过滤重复的图片
• 人工过滤图片
• 确保图片数据集尽可能多，涉及包含的各个场景
• 使用脚本预标注
• 人工标注
• 脚本处理 标注结果，确保最终标注的结果是一张图片对应一个xml

2. 训练环境准备

• Ubuntu16.04
• GTX1060及以上显卡
• 安装CUDA、CUDNN
• Python3.6

3. 下载代码

https://github.com/swliu2016/train-core-yolov3-darknet.git

git clone https://github.com/swliu2016/train-core-yolov3-darknet.git
cd train-core-yolov3-darknet

4. 修改Makefile文件

GPU=1 #如果使用GPU设置为1，CPU设置为0,GPU下的darknet运行会比CPU环境下快500倍
CUDNN=1  #如果使用CUDNN设置为1，否则为0
OPENCV=0 #如果调用摄像头，还需要设置OPENCV为1，否则为0
OPENMP=0  #如果使用OPENMP设置为1，否则为0
DEBUG=0  #如果使用DEBUG设置为1，否则为0

5. 编译：

make clean 后 make -j8

6. 下载yolov3预训练模型（可以跳过）

https://pjreddie.com/media/files/yolov3.weights

7. 测试yolov3预训练模型（可以跳过）

./darknet detect cfg/yolov3.cfg yolov3.weights 'img'

8. 用tools/create_darknet_train_dirs.py脚本voc数据集准备生成四个文件夹： （其中ImageSets文件下包含Main文件夹，Self文件夹下包含DarknetLabel,DarknetModel,Test文件夹）

注：需要自己修改生成文件夹的路径，跟后面的配置文件路径对应