YOLO_V3 实验文档 （Pytorch版本） 训练自己的数据集

YOLO_V3 实验文档

鸣谢：

本文参考了CSDN上很多成熟的文章，在此放出博客连接(其中大部分由参考)，如有侵权，请联系博主删除！！

https://blog.csdn.net/sinat_27634939/article/details/89884011

感谢博主： mumumuyanyanyan  的文章贡献！

https://blog.csdn.net/lilai619/article/details/79695109

https://blog.csdn.net/john_bh/article/details/80625220

本文对应教程文档与数据、脚本下载地址：https://download.csdn.net/download/nclgsj1028/11241011

一、准备环境

       1、新建python3.7的conda环境： conda create -n your_env_name python3.7

       2、source activate  your_env_name    进入环境

       3、依次安装

              numpy

                torch >= 1.1.0

                opencv-python

                tqdm

              matplotlib

              pycocotools

       4、在环境下输入：conda list  我们可以看到所有环境安装的包

             

 

二、获取YOLO_V3   Pytorch版本源码 以及 实验数据集

       YOLO_V3源码：https://github.com/ultralytics/yolov3

       实验数据集 ：      https://github.com/cosmicad/dataset

      说明：YOLO_V3采用的Pytorch版本的源码，torch版本为1.1.0 比较新的一个版本，方便后期学习Pytorch。 实验数据集采用的是一个已经标签好的红细胞识别数据集。

       我们下载源码和数据集，解压分别得到两个文件夹

      

三、整理数据集

       1、将dataset-master文件夹下两个文件夹Annotations  以及  JPEGImages 复制到 /yolov3-master/data 文件夹下。并在data目录下新建两个文件夹：images  和 ImageSets 两个文件夹。

       2、运行根目录下makeTxt.py，将数据分成训练集，测试集和验证集，其中比例可以在代码设置。

（makeTxt.py文件在教程中提供）

        我们在 ImageSets文件夹下可以得到如下几个文件：

          

      3、运行根目录下voc_label.py，得到labels的具体内容以及data目录下的train.txt，test.txt，val.txt，这里的train.txt与之前的区别在于，不仅仅得到文件名，还有文件的具体路径。（voc_label.py文件在教程中提供）

       labels文件下的具体labels信息

       4、将JPEGImages文件夹下的所有文件拷贝到images文件夹下

四、配置文件

       1.在data目录下新建rbc.data，配置训练的数据，内容如下

         classes=1

         train=data/train.txt

         valid=data/test.txt

         names=data/rbc.names

         backup=backup/

         eval=coco

       2.在data目录下新建rbc.names，配置预测的类别，内容如下

       3.网络结构配置，在原工程下cfg目录下有很多的yolov3网络结构，我们本次采用的是yolov3-tiny.cfg，配置好的文件在教程文档中

 

       4.获取官网已经训练好的网络参数yolov3-tiny.weights（已经保存在教程文档）

修改train.py文件 118行  将参数改为yolov3-tiny.weights

 

 

五、训练

一切准备妥当，我们打开进入源码文件夹，从终端打开，激活环境，我们就可以开始训练了，训练脚本如下：

python train.py --data-cfg data/rbc.data --cfg cfg/yolov3-tiny.cfg --epochs 10

 

说明：这里--epochs 10 是指只训练了10个批次，如果要提高精度我们可以设置的更高 如100或者1000

 

训练10个批次后得到的权重参数在weights文件夹下的best.pt 文件。

 

我在教程文件中放了一个训练了18590个批次的权重参数backup18590.pt，为了提高精度

 

六、预测

        使用我们训练好的权重文件来实验检测数据

        1、将需要检测的数据放到data/samples目录下，这里我们从images文件夹下复制几张图片到samples目录下

        2、们打开进入源码文件夹，从终端打开，激活环境，我们就可以开始预测了，预测脚本如下：

python detect.py --data-cfg data/rbc.data --cfg cfg/yolov3-tiny.cfg --weights weights/backup18590.pt

注意我要在预测脚本的最后修改下我们到底用那个权重文件来预测，这里我们修改成backup18590.pt

        3、运行结束，在源码目录下 output文件夹下就存放了我们的预测结果。

 

 

大功告成！！！