利用yolov3训练数据集

1.同目录下文件夹darknet-master。复制到另外一个路径，重命名为自己数据集的名字。
2.重新编译Makefile文件。打开Makefile，更改OPENCV=0→OPENCV=1
GPU=0→GPU=1
CUDNN=0→CUDNN=1
NVCC=/usr/local/cuda-10.0/bin/nvcc（路径为自己系统下cuda的路径）
在同目录下打开终端，输入make，编译Makefile文件。
3.训练yolov3支持VOC格式
在scripts下建立新的文件夹，并命名为VOCdeckit,并在其文件下创建的文件夹VOC2007（数字可以自己更改）。在VOC2007下创建4个文件夹，分别为：
Annotations(存放.xml文件)
ImageSets（在该文件夹创建Main文件夹）
JPEGImages（存放图片）
labels（存放.txt文件）
4.运行build-Main.py，并更改代码，找到.xml的文件路径，以及存放.txt的文件路径，会在Main文件夹下生成4个.txt（test.txt、train.txt、trainval.txt、val.txt）
5.运行voc_label.py（此代码作用将标注的.xml转为.txt文件，并保存在labels文件夹下），更改相应的classes等等，同时在scripts下生成（2007_test.txt，2007_train.txt，2007_val.txt，train.all.txt，train.txt）
6.更改voc.names（数据集类名）
yolov3.cfg（模型文件）crtl+f 搜索yolo（3个），更改classes，filters=3*（classes+5）
voc.data(classes、train、val、backup)
7.在darknet目录下打开终端输入命令./darknet detector train ___/voc.data ___/yolov3.cfg darknet53.conv74执行训练
8.测试命令./darknet detector test ___/voc.data _/yolov3.cfg data/.jpg
9.继续训练命令./darknet detector train ___/voc.data __/yolov3.cfg backup/yolov3—.weights(选择上次训练好的权重文件)