tenforflow版YOLOv3下COCO格式的raccoon(浣熊)数据集的准备（未完待续）

实践本文之前，请确保已经完成下面这个网址3.1之前的操作：
https://github.com/YunYang1994/tensorflow-yolov3
本文主要参考这个网址的3.1 Train raccoon dataset

第一步：

sh scripts/make_raccoon_tfrecords.sh

win10下这个命令无法运行，只有在linux下面才可以，虽然我在window下安装了ubuntu子系统来执行sh命令（不是双系统），但是子系统的terminal也还是不好弄，比如它缺少了一个numpy模块，我终端里apt-get安装了，但是还是没用，所以我只能打开这个sh文件，一步一步执行里面的命令。（我是用的anaconda prompt)
下面解释一下这个文件里的内容：
git clone https://github.com/YunYang1994/raccoon_dataset.git
cat ./raccoon_dataset/labels.txt | head -n  180 > ./raccoon_dataset/train.txt
cat ./raccoon_dataset/labels.txt | tail -n +181 > ./raccoon_dataset/test.txt
python core/convert_tfrecord.py --dataset_txt ./raccoon_dataset/train.txt --tfrecord_path_prefix ./raccoon_dataset/raccoon_train
python core/convert_tfrecord.py --dataset_txt ./raccoon_dataset/test.txt  --tfrecord_path_prefix ./raccoon_dataset/raccoon_test

第一条命令执行后，会下载raccoon_dataset目录，我下载了一个git，然后通过git clone命令下载，那么为什么要通过git而不直接到后面给出的网站下载呢？因为通过git下载会下载完整的分支，在网页直接下载只会下载主干部分，当然你直接下载主干也没问题。

第二条命令就是把raccoon_dataset这个目录下的label.txt文件的从头开始180行复制并粘贴到新生成的的train.txt文件。./表示从当前目录开始。txt文件的每一行是：

xxx/xxx.jpg 55.38 132.63 519.84 380.4 16
# image_path x_min y_min x_max y_max class_id  x_min y_min ... class_id 

(55.38，132.63) 与  (519.84，380.4) 表示用两个像素点的位置围成的框就是标注的16号识别物，16识别物是什么，可以从xxx.names文件里看（实际上是names文件第17行的标识物，因为第一行标识物是0号）。

第三条命令同上，只是从label.txt倒数第一行开始。但是只复制了20行，我也不知道为什么。

第四条命令：--dataset_txt 后面是刚刚生成的train.txt文件，--tfrecord_path_prefix 后面的目录就是存放生成的tfrecord文件，

tfrecord文件就是把图像文件和它的标注打包起来的以供训练的文件。

第五条命令同四，此命令打包的是测试集。

第二步：（可选）

python show_input_image.py
这一步就是展示你的输入的数据，当你训练自己的数据时可以不用运行它。

第三步：（可选）

python kmeans.py

 这个文件要调用train.txt和anchors.txt文件，应该是分类标准之类的东西吧，我不是很了解。

 

第四步：

python convert_weight.py --convert

这里用的是：--convert参数，这一步会生成*.ckpt文件，第六步还会用到这个py文件。

 

第五步：

python quick_train.py

这一步就是开始训练，需要标识类别文件：*.names、锚重文件：*_anchors.txt，训练打包文件：*_train.tfrecord，测试打包文件：*_test.tfrecord。会生成一个ckpt文件（重要），还有两个不知道用来干什么的train和test目录。

看看这个py文件开始的一些参数：

其中BATCH_SIZE表示将数据打包成几个，当你的显存不够用了(out of range)，死机蓝屏或是程序崩溃时要把这个调小。

STEPS表示训练迭代的次数，调得越小，花的时间越少，训练效果越差。

其它的我就不知道了。。。

第六步：（可选）

tensorboard --logdir ./data

这一步就是打开tensorflow的可视化工具看看框架模型，如果打不开的话，参考：

https://blog.csdn.net/dr_theodore/article/details/80748068

或

https://blog.csdn.net/whitesilence/article/details/79261592

 

 第七步：

python convert_weight.py -cf ./checkpoint/yolov3.ckpt-2500 -nc 1 -ap ./data/raccoon_anchors.txt --freeze

本步会利用上面的ckpt文件生成*cpu_nms.pb和*gpu_nms.pb文件。

 

第八步：

python quick_test.py

本步就是用两个pb文件来测试。

第九步：

python evaluate.py

测试训练结果，计算mAP识别率，用这个raccoon_dataset我跑得的mAP=0.90左右。