YOLOv3训练自己的数据详细步骤

前言

本篇文章记录了在centos7(Linux)上使用YOLOv3训练自己数据的操作步骤，YOLOv3使用AlexeyAB大神改进的darknet(Github地址)，内容也主要参考自其中，使用其它系统或框架的同学可以酌情参考或直接阅读Github。

题外话：第一次写博客，可能存在诸多问题和遗漏，欢迎大家指出更正。

编译安装

1. 环境要求

由于环境的准备工作不是本篇文章的重点，这里只做简单叙述。
根据Github上的要求：

• CMake >= 3.8
• CUDA 10.0
• cuDNN >= 7.0 for CUDA 10.0 (注意要和CUDA版本对应)
• OpenCV >= 2.4
• GPU with CC >= 3.0
• GCC

2. 下载及编译

darknet源码下载地址：https://github.com/AlexeyAB/darknet

下载解压后进入darknet根目录，根据机器情况修改Makefile文件：

GPU=1			# 是否使用GPU
CUDNN=1			# 是否使用CUDNN
CUDNN_HALF=1	# 是否为Tensor核心加速，
				  Titan V / Tesla V100 / DGX-2及更高版本显卡可以使用
OPENCV=1		# 是否使用OPENCV
OPENMP=0		# 是否使用OPENMP 

修改后进行编译，在darknet根目录执行：

make

训练

1. 准备数据

1.1 使用yolo_mark对图片进行标注

yolo_mark下载地址：https://github.com/AlexeyAB/Yolo_mark

对于每个图片，yolo_mark输出一个txt文件，每一行代表一个bounding box，格式如下：

<类别>  <x_center>  <y_center>  <width>  <height>

设该bounding box中心的绝对坐标为(<absolute_x>,<absolute_y>)，
该bounding box在绝对坐标下宽高为(<absolute_width>,<absolute_height>)，
图片的宽高为(<image_width>,<image_height>)，
则每个参数的含义如下：

参数	含义
<类别>	该bounding box内物体的类别，为[0, class-1]之间整数
<x_center>	<absolute_x> / <image_width>，为[0,1]之间浮点数
<y_center>	<absolute_y> / <image_height>，为[0, 1]之间浮点数
<width>	<absolute_width> / <image_width>，为[0, 1]之间浮点数
<height>	<absolute_height> / <image_height>，为[0, 1]之间浮点数

例：1 0.609766 0.660417 0.388281 0.215278

1.2 将图片保存到data目录

图片的存放位置可以自行决定，但建议存放在darknet根目录下的data目录下，方便管理。
进入data目录，创建用于存放数据的文件夹，命名为obj (目录名可以根据自己需求更改)：

cd data
mkdir obj

将图片文件和对应的txt标注文件一起存放进data/obj/目录下。
注意：图片文件和对应的txt标注文件的文件名要保持一致。

2. 修改配置文件

2.1 train文件

作用：训练数据集路径。

在data目录下创建train文件train.txt (文件名可以自行更改，但要保持前后一致)，文件内容为用作训练数据的图片路径。如：
我要使用data/obj/目录下的如下文件进行