yolo-tiny

@yolo-tiny

训练

ref:参考博文

1. 下载预训练权重
   wget https://pjreddie.com/media/files/yolov3-tiny.weights

2. 运行 train_data_set.py , 生成4个txt文件，（指定训练集和测试集）

3. 将数据转换成darknet支持的格式 运行my_labels.py
   生成两个txt文件 ，及label下的txt文件
   
   
   

4. 修改 cfg目录下的yolov3-tiny.cfg文件
   有两处需要修改classes和filters,从下往上有两处,类似如下字样处:
   将classes 修改为1,因为我们只有`类;将卷积层数修改为18 ,计算方式为3*(类别数+5).若为3类,则是3*(1+5) = 18.
   
   6.修改.data
   

5. 修改names
   

6. 生成预训练模型

./darknet partial cfg/yolov3-tiny_llw.cfg yolov3-tiny.weights yolov3-tiny.conv.15 15

7. 训练(darknet_one)
   ./darknet detector train data/my_voc_llw.data cfg/yolov3-tiny_llw.cfg yolov3-tiny.conv.15 | tee object_train_log.txt
   训练耗时较长,查看log当loss较小,且不再发生变化时,可按"ctrl+c"终止训练.我训练到了90000次就停止了,在这个过程中在backup文件夹下会保存对应迭代次数的中间结果,前1000次内每100次保存一个,超过1000次,每1000保存一次,依次.在这个过程中,我么可以随时拿中间结果进行测试.

8. 测试

./darknet detect cfg/yolov3-tiny_llw.cfg backup/yolov3-tiny_llw_10000.weights DATA/JPEGImages/00000001.jpg

测试darknet_one文件

显示置信率darknet_Dis_ZX
/不现实评价指标，输入图片路径，只显示框好后的图片和类别、置信率/

./darknet detect cfg/yolov3-tiny_llw.cfg backup/yolov3-tiny_llw_10000.weights DATA/JPEGImages/00000001.jpg

批量测试 darknet_piL文件

./darknet detector test data/my_voc_llw.data cfg/yolov3-tiny_llw.cfg backup/yolov3-tiny_llw_10000.weights

valid(计算Map) darknet_one_cal文件

(ref:https://blog.csdn.net/qq_36302589/article/details/85160928)

./darknet detector valid data/my_voc_llw.data cfg/yolov3_llw.cfg backup/yolov3_llw_final.weights -out object 

./darknet detector valid data/my_voc_llw.data cfg/yolov3_llw.cfg backup/yolov3_llw_final.weights 

1. 第一步 将检测图片路径写入myData_val.txt文件,执行Image2txt.py

2. 执行./darknet detector valid data/my_voc_llw.data cfg/yolov3_llw.cfg backup/yolov3_llw_final.weights

3. 更改results下文件的名称，与comput_mAP.py文件中第一项对应

4. 第二项存放xml文件

5. 第三项存放不带扩展名的检测图片文件名，与myData_val.txt，results下文件相对应,执行name.py

6. 第四项存放某类名称

7. 执行comput_mAP.py

recall召回率 darknet_one_recall文件

1. 替换list *plist = get_paths(“data/coco_val_5k.list”);为list *plist = get_paths("myData/myData_train.txt");自己的测试集文本
2. for(k = 0; k < l.w*l.h*l.n; ++k){替换为
   for (k = 0; k< nboxes;++k){
3. make clean
4. make
5. ./darknet detector recall data/my_voc_llw.data cfg/yolov3_llw.cfg backup/yolov3_llw_final.weights

用matplotlib绘制PR曲线 darknet_PR文件

python reval_voc_py3.py --voc_dir VOCdevkit --year 2007 --image_set 2007_val --classes data/my_voc_llw.names DATA

DATA 为输出pkl文件路径

1. 必需文件 reval_voc_py3.py voc_eval.py
2. 修改data/my_voc_llw.data文件的测试文件路径valid = 2007_val.txt
3. 将检测图片路径写入 2007_val.txt文件,执行Image2txt.py
4. 执行
   ./darknet detector valid data/my_voc_llw.data cfg/yolov3-tiny_llw.cfg backup/yolov3-tiny_llw_10000.weights
5. 更改results/comp4_det_2007_val_object.txt路径下的txt文件名
6. VOCdevkit/VOC2007/ImageSets/Main/2007_val.txt
   该路径的2007_val.txt文件为图片名（不包含扩展名）执行name.py
7. 执行
   python reval_voc_py3.py --voc_dir VOCdevkit --year 2007 --image_set 2007_val --classes data/my_voc_llw.names DATA
8. 执行PR_draw2.py