darknet&mxnet训练检测方法

准备数据

生成数据：打开labelImg（对连续图片可自动标注）或labelImg_no(手动标注）
open：打开单张图片
open dir：打开文件夹 (图片路径)
Change Save Dir：同时打开xml文件 （xml路径)
use default label(使用默认创建）
W — 画框
Next Image — (自动保存，生成.xml文件）
A — 删除当前标注
D — 下一张
F — 上一张

整理数据：pic和xml文件数目不对应时，对数据进行整理
使用dataClass里的Arrangement_pic_xml.py脚本
修改picDir = r ".../pic/" 和 xmlDir = r".../xml/"

python Arrangement_pic_xml.py

转换数据（两个框架都有)：
darknet中
1.初始状态：picClear、xmlClear、.names文件（记录类别）
2.修改trainingDataConvert.sh:

bathDir = "/.../.../laminate"
yolov3 = 1  重量级
yolov3_tiny =1 轻量级

效果：自动生成.data 、.cfg文件以及module dir
3.修改生成的.cfg文件：

batch = 16
subdivision = 8   (切割数，越大占显存越小)
classes = 类别数 ，fliter = (类别数+5）x 3	(CTRL+F to search yolo)

mxnet中

Home – VOCdevkit --VOC2018

pic文件放在JPEGImages中即可
xml文件放在Annotations中即可

训练模型(不同框架不同）

darknet中：

./darknet detector train **.data **.cfg darknet53.covn.74(模型可选，以**.weights为后缀的文件)

mxnet中：

路径：Home – project – mxnet – gluon-cv-master – scripts – detection –

1. 修改train_faster_rcnn.py

   AllLabelList=['','','']  (类别)
   parser.add_argument中的default参数：resnet101_vld || resnet50_vlb
   

2. 执行train_faster_rcnn.py

   sourece activate gluon
   python train_faster_rcnn.py
   

测试模型（只有darknet）

注：mxnet中不用测试模型，在生成的.params前都有MAP数值，同文件名一起输出，其中best为最好的模型

转换数据

1. 同上,初始状态 （picClear , xmlClear , *.names）

   ./trainingDataConvert.sh  (生成.data和.cfg)
   

2. 修改.cfg

生成测试结果（results)

1. 修改val_models.sh文件

   modelJiaDir="产生模型的文件夹地址"
   bathDir="*.names文件的目录地址"
   

2. 修改*.data文件
   val test

   valid=/.../.../.../2018_val.txt (将val改为test,即2018_test.txt)
   

3. 使用命令进行评测

   ./val_model.sh
   

结果可视化

1. 修改val_model.py文件

   classes=[' ' , ' ' , ' '] (类别)
   resultDir=r"/../../results/" (存放评测结果的地址)
   

2. 执行脚本

   python val_model.py
   

   挑出MAP最高的模型

调用模型（测试图片，不同框架不同）

检测GPU是否可用：

nvidia-msi  (静态)
watch nvidia-msi  (动态显示显卡状态)

darknet中

• 检测图片：(图片中生成框，识别图片中的类)

./darknet detector test *.data *.cfg *.weights *.jpg

• 检测视频：(视频中动态生成框，识别视频中的类)

./darknet detector demo *.data *.cfg *.weights *.mp4

mxnet中

1. 修改脚本demo_faster_rcnn.py

   • picDir=图片路径
   • saveDir=存储路径 (初始为空)
   • classes=’ ’ (注：可以执行AllLabel.py脚本从终端获取，即遍历xml文件)
   • default = * (faster_rcnn_resnet101_vid_vod || faster_rcnn_resnet50_vib_vod)

2. 执行脚本

   source activate gluon
   python demo_faster_rcnn.py --pretrained *.parameters (模型名的路径，101或者50的模型)
   

   .weights是darknet框架里的模型
   .parameters是mxnet框架里的模型

预标注（只有darknet才有预标注）

1. 初始状态（必备条件,6个缺一不可）：

   pic(dir),xml(dir) , *.names , *.data , *.cfg , *.weights
   

   注意！ *.data里面的name属性的值必须为 *.names的路径

2. 修改darknet_writeXml.py

   testPerson8=0  //表示使用标注功能
   bathDir_biaozhu=r"项目文件夹/"
   

3. 执行darknet_writeXml.py脚本

   source activate gluon
   python darknet_writeXml.py
   

   效果：生成对应pic的xml文件