ubuntu18.04下darknet的yolov3运行以及训练

Ubuntu下Darknet+YoloV3实战

最新推荐文章于 2025-08-25 17:09:25 发布

medusa_zj

最新推荐文章于 2025-08-25 17:09:25 发布

阅读量4.3k

点赞数 7

CC 4.0 BY-SA版权

分类专栏：深度学习

本文链接：https://blog.csdn.net/medusa_zj/article/details/105695102

ubantu下darknet的yolov3运行以及训练

ubuntu18.04环境下的darknet+yolov3

ubuntu18.04环境下的darknet+yolov3

参考链接

环境

ubuntu18.04
cuda:10.0.120
cudnn:7.6.5.32
opencv:3.2.0

darknet的安装及测试

官网

1、下载代码

git clone https://github.com/pjreddie/darknet.git
cd darknet
make

2、下载权重

下载权重，保存在darknet的目录下

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

3、测试

在darknet目录下打开终端，输入：

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

结果如下：
在这里插入图片描述

附

下面是对darknet目录下的Makefile文件进行的一些修改，每次修改完都需要重新编译。

（1）如需使用gpu运算，修改如下，然后保存。

在这里插入图片描述

修改完后一定要重新编译，在darknet目录下打开终端，输入：

make clean
make -j8

（2）根据自己电脑的硬件可在Makefile中对ARCH进行修改。例如显卡是GTX1060，算力为6.1（具体算力nvidia官网可查）。

https://developer.nvidia.com/cuda-gpus

修改如下：

在这里插入图片描述

显卡算力：

在这里插入图片描述

（3）在Makefile文件的第46行，修改为cuda的安装路径。

在这里插入图片描述

测试自己数据集

一、数据集标注

标记数据的可以从这里下载，提取码：m3dt。注意该工具的路径要没有中文，否则闪退。

1、打开标记工具

如图：
在这里插入图片描述
红色方框处选择yolo，而非默认的PascalVOC（我们在标注的时候就让每张图片生成的是txt文件，而不是xml文件，这样就省去了xml转txt这个步骤）如下图：

2、标注过程

点击界面上的 Open Dir，打开图片存放文件夹，图片将显示在界面中：
在这里插入图片描述

在图片上点击鼠标右键，选择“Create RectBox”，之后从左上至右下拖动鼠标画出一方框，标出待识别物体（快捷键：W）。
松开鼠标后，会弹出一个对话框，此时选择框出物体所属的类别，之后点击 OK。
确认右侧出现标注内容后点击 save 保存标注信息（快捷键：Ctrl+S）。
点击 Next Image，重复上述过程直至每张图片都完成标注（快捷键：D）。

3、标注后的文件

标注过后，就会生成对应的图片名的txt文件，以及一个所有类别的文件。
在这里插入图片描述

其中对于每个标注后生成的txt文件，其格式是如下所示（网上存）：

二、VOC2019数据集的制作

1、建立文件夹

在darnet-master下建立voc/VOCdevkit/VOC2019层次目录，然后在VOC2019目录下建立三个文件夹：Annotations、ImageSets、JPEGImages。
其中：
Annotations 存放使用labelImg软件标注所有数据集图片时生成的txt标注文件，labels存放Annotations中相同的内容；（第一步已有）
ImageSets用来存放训练和测试数据的名称，其里面存放的是Main文件夹，Main文件夹中存放的是4个txt文件，分别是存训练集图片名的train.txt、存验证集图片名的val.txt、存测试集图片名的test.txt、存测试和验证集图片名的trainval.txt；（需要生成）
JPEGImages用于存放数据集中的图片，后期还要将labels中的txt全部放到其中。
在这里插入图片描述

2、生成ImageSets中的txt

我们需要ImageSets/Main目录下的train.txt和val.txt,代码make_train_val.py如下：

import os
from os import listdir, getcwd
from os.path import join
if __name__ == '__main__':
    source_folder='/*****(自己的路径)/darknet-master/voc/VOCdevkit/VOC2019/JPEGImages/'#地址是所有图片的保存地点
    dest='/*****(自己的路径)/darknet-master/voc/VOCdevkit/VOC2019/ImageSets/Main/train.txt'  #保存train.txt的地址,对于train.txt(在ImageSets/Main/下)和2019_train.txt(在VOCdevkit下)是不同的路径
    dest2='/*****(自己的路径)/darknet-master/voc/VOCdevkit/VOC2019/ImageSets/Main/val.txt'  #保存val.txt的地址，对于val.txt(在ImageSets/Main/下)和2019_val.txt(在VOCdevkit下)是不同的路径
    file_list=os.listdir(source_folder)       #赋值图片所在文件夹的文件列表
    train_file=open(dest,'a')                 #打开文件
    val_file=open(dest2,'a')                  #打开文件
    for file_obj in file_list:                #访问文件列表中的每一个文件
        file_path=os.path.join(source_folder,file_obj) 
        #file_path保存每一个文件的完整路径
        file_name,file_extend=os.path.splitext(file_obj)
        #file_name 保存文件的名字，file_extend保存文件扩展名
        file_num=int(file_name)  
        if(file_num<620):                     #保留620个文件用于训练
            train_file.write(file_name+'\n')  #用于训练前620个的图片路径保存在train.txt里面，结尾加回车换行/////////生成train.txt是file_name；生成2019_train.txt是file_path
        else :
            val_file.write(file_name+'\n')    #其余的文件保存在val.txt里面/////////生成val.txt是file_name；生成2019_val.txt是file_path
    train_file.close()#关闭文件
val_file.close()

生成的train.txt文件和val.txt文件是图片名字
在这里插入图片描述

3、生成VOCdevkit同级目录下的txt

在这里插入图片描述

生成代码make_2019_train_val.py如下：

import os
from os import listdir, getcwd
from os.path import join
if __name__ == '__main__':
    source_folder='/*****(自己的路径)/darknet-master/voc/VOCdevkit/VOC2019/JPEGImages/'#地址是所有图片的保存地点
    dest='/*****(自己的路径)/darknet-master/voc/2019_train.txt'  #保存train.txt的地址,对于train.txt(在ImageSets/Main/下)和2019_train.txt(在VOCdevkit下)是不同的路径
    dest2='/*****(自己的路径)/darknet-master/voc/2019_val.txt'  #保存val.txt的地址，对于val.txt(在ImageSets/Main/下)和2019_val.txt(在VOCdevkit下)是不同的路径
    file_list=os.listdir(source_folder)       #赋值图片所在文件夹的文件列表
    train_fil