win10 YOLOv3-tf 训练自己的数据集

最新推荐文章于 2024-08-19 10:10:33 发布

吾即小灾变

最新推荐文章于 2024-08-19 10:10:33 发布

阅读量2.5k

点赞数 2

分类专栏： Yolo

本文链接：https://blog.csdn.net/longlong068/article/details/105087996

版权

本文介绍了在Windows 10上使用YOLOv3-tf训练自定义数据集的步骤，包括获取项目、运行预训练模型的demo、制作数据集、转换数据格式、训练模型、评估模型以及使用训练权重进行预测。详细讲解了数据集的制作、权重转换和代码修改等关键环节。

摘要由CSDN通过智能技术生成

win10 YOLOv3-tf

win10 YOLOv3-tf 训练自己的数据集

win10 YOLOv3-tf 训练自己的数据集

1.获取项目https://github.com/YunYang1994/tensorflow-yolov3

2.运行demo（查看自己配置的环境是否符合）

3.制作训练数据集
注：经过实际操作发现yolov3的darknet版本（C/C++）相比与github上的tensorflow版本实用性更强，且用起来更方便，但是在windows下配置起来可能比tf版本麻烦一些，不过还是推荐使用，详细配置及训练过程见：
https://blog.csdn.net/longlong068/article/details/105088304
注：如果觉得windows下配置环境太过繁琐或者自己的电脑没有较高算力的GPU，可以采用谷歌Colab提供的免费云GPU服务来训练自己的数据集，具体操作见：谷歌Colab训练自己YOLOv3数据集

获取yolov3-tensorflow的项目

获取地址https://github.com/YunYang1994/tensorflow-yolov3
在window10 下配置对应需要的环境，采用tensorflow-gpu=1.11.0,及下载相应项目所需的包，推荐新建conda环境。（前提是安装了anaconda）
```
#运行CMD 创建单独的conda环境
conda create -n tf1.11  python=3.6.5
#激活conda环境
activate tf1.11
#在环境下安装对应的包  用conda或者pip都可以
conda install tensorflow-gpu==1.11.0 
```
conda install除了会下载指定包外，还会下载其他附带包，如果不需要可以采用pip下载单个包，但是pip和conda下载都很慢，conda安装可以先采用conda config配置一下清华源。

注：如果要用tensoflow-gpu，要事先下载cuda和cudnn。cuda和cudnn的安装配置见之前：https://blog.csdn.net/longlong068/article/details/105087705。

检查tensorflow-gpu是否正常运行

#在配置的tf1.11环境下
import tensorflow as tf
print(tf.test.is_gpu_available())
>>
True

运行demo

此项目下给出了image_demo，可以使自己在整体了解一下yolov3模型和检测一下自己的环境可行性。

下载已经训练好的权重文件和权重文件格式转换
```
$ cd checkpoint
$ wget https://github.com/YunYang1994/tensorflow-yolov3/releases/download/v1.0/yolov3_coco.tar.gz
$ tar -xvf yolov3_coco.tar.gz
$ cd ..
$ python convert_weight.py
$ python freeze_graph.py
```
以上为运行demo之前需要做的操作，因为这个demo不包括模型的训练，模型的权重文件采用事先训练好的coco数据集权重，需要下载权重文件并放到checkpoin文件下，可在项目github上下载。下载完权重后，运行convert_weight.py和freeze_graph.py后，在目录下会生成yolov3c_coco.pb文件，如下。

运行image_demo.py或video_demo.py文件

$ python image_demo.py
$ python video_demo.py # if use camera, set video_path = 0

直接运行image_demo.py文件，其中demo的部分代码如下：

import cv2
import numpy as np
import core.utils as utils
import tensorflow as tf
from PIL import Image
return_elements = ["input/input_data:0", "pred_sbbox/concat_2:0", "pred_mbbox/concat_2:0", "pred_lbbox/concat_2:0"]
pb_file         = "./yolov3_coco.pb"
image_path      = "./docs/images/road.jpeg"
num_classes     = 80
input_size      = 416
graph           = tf.Graph()

其中需要关注有pb_file(即上一步产生的.pb文件)，image_path(所检测的图片路径)，num_class因为采用了coco数据集训练所得权重所以此处为80，此后如果要训练自己的数据集，并用此demo来以图像的形式显示出来，需要对以上三个参数进行修改。

制作自己的训练数据集

此项目的作者给的训练模型是基于VOC数据格式的，所以在训练自己的数据集之前要按一定的形式制作自己的数据集，VOC数据集的文件结构如下：

VOCdevkit
	└─VOC2007
		├─ImageSets    		# 存放数据集列表文件 主要关注其下的Main文件
		├─Annotations  		# 存放图片标签，xml 格式
		├─JPEGImages   		# 存放图片，训练集和测试集的原图片都放在这里
		├─SegmentationClass
		└─SegmentationObject
其中ImageSets
    	├─Main				#主要关注Main 存放含有划分的训练集、测试集的文件名的多个txt文件
        ├─Layout
        └─Segmentation

按以上图创建一样结构的VOCdevkit文件夹，将要进行训练测试的原图片（不需要考虑图片是否要画框和输入图片的分辨率，此yolov3-tf模型会将不同分辨率的图片进行resize）放入JPEGImages文件下，图片最好采用以下命名格式：
采用labelimg工具进行画框生成xml文件，并设置将生成的xml文件放到Annotations文件下。labelimg下载地址：链接：https://pan.baidu.com/s/1o41wwXzHEm2kZgz52A37BA
提取码：flwm
划分训练集和测试集，在ImageSets\Main下生成train.txt和test.txt文件（包含相应划分数据集文件名的txt）。

可采用以下程序进行划分，此划分部分代码及流程都参考博主：

https://blog.csdn.net/qq_38441692/article/details/103652760，在此进行感谢。

划分数据集代码如下在VOCdekit\VOC2007(即Annotations的上级目录)下运行spilt.py
```
import os
import random
import sys

if len(sys.argv) < 2:
    print
```