darknet框架下训练YOLO

YOLO训练步骤

配置文件

1. 更改darknet\cfg\ 下配置文件中classes 和filters(# or 255) 最后的feature map每个像素预测num 个框
   filters = v3 = ((num=9) / 3) * (classes + 5); v2 = num * (classes + 5)
2. 更改cfg\voc.data 键入一些路径
3. 更改data\voc.names 你的类别名称
4. 在data\train_list.txt 生成路径列表文件，用vim 打开后将格式设置为set fileformat = unix
5. 在example\detector.c 中修改存储模型的间隔

训练语句

1. 训练命令

./darknet detector train cfg/voc.data cfg/yolov3-spp.cfg darknet53.conv.74   # 训练命令

2. 断点开始

./darknet detector train cfg/voc.data cfg/yolov3-spp.cfg backup/yolov3-spp.backup #断点重新开始

3. 查看摄像头

ls  /dev/video*  查看摄像头

4. 生成log文件

 | tee train_yolov3.log

生成训练列表train_list

import os

def file_name(file_dir):
	with open('train_list.txt', 'w') as f:
		for a, b, files in os.walk(file_dir):
			for i in files:
				name = '/home/wyh/data/images/' + i +'\n'
				f.write(name)

if __name__ == '__main__':
	file_name(r'C:\Users\Administrator\Desktop\images')

训练过程可视化

import argparse
import sys
import matplotlib.pyplot as plt

def main(argv):
    parser = argparse.ArgumentParser()
    parser.add_argument("log_file",  help = "path to log file"  )
    parser.add_argument( "option", help = "0 -> loss vs iter"  )
    args = parser.parse_args()
    f = open(args.log_file)
    lines  = [line.rstrip("\n") for line in f.readlines()]
    # skip the first 3 lines
    lines = lines[3:]
    numbers = {'1','2','3','4','5','6','7','8','9','0'}
    iters = []
    loss = []
    for line in lines:
        if line[0] in numbers:
            args = line.split(" ")
            if len(args) >3:
                iters.append(int(args[0][:-1]))
                loss.append(float(args[2]))
    plt.plot(iters,loss)
    plt.xlabel('iters')
    plt.ylabel('loss')
    plt.grid()
    plt.show()
    
if __name__ == "__main__":
    main(sys.argv)

生成训练结果

./darknet detector valid cfg/voc.data cfg/yolov3.cfg backup/yolov3.weights -out ''

在results文件夹下

下载voc_eval.py

https://github.com/rbgirshick/py-faster-rcnn/tree/master/lib/datasets

建立自己的compute_mAP.py

from voc_eval import voc_eval
 
print voc_eval('/home/cxx/Amusi/Object_Detection/YOLO/darknet/results/{}.txt', '/home/cxx/Amusi/Object_Detection/YOLO/darknet/datasets/pjreddie-VOC/VOCdevkit/VOC2007/Annotations/{}.xml', '/home/cxx/Amusi/Object_Detection/YOLO/darknet/datasets/pjreddie-VOC/VOCdevkit/VOC2007/ImageSets/Main/test.txt', 'person', '.')

python2 compute_mAP.py

替换数据集的话：

rm annots.pkl

配置项

darknet的cfg文件中有一个配置参数: burn_in

burn_in=1000

假设：全局最优点就在初始位置附近，所以训练开始后的burn_in次更新，学习速率从小到大变化。update次数超过burn_in后，采用配置的学习速率更新策略从大到小变化，显然finetune时可以尝试。

一旦设置了这个参数，当update_num小于burn_in时，不是使用配置的学习速率更新策略，而是按照下面的公式更新

lr = base_lr * power(batch_num/burn_in,pwr)