每一步超详细！制作自己的voc数据集并通过yolov3训练

1 把自己的数据集打标记

用labelImg生成的是xml格式标记文件

https://blog.csdn.net/qq_34806812/article/details/81670310

https://blog.csdn.net/qq_34806812/article/details/81394646

这里建议大家用VOC和ILSVRC比赛的数据集，因为xml文件都是现成的，省去很多功夫。

或者可以去下载现成的数据集

  ILSVRC2015比赛的地址是： http://image-net.org/challenges/LSVRC/2015/download-images-3j16.php

                    VOC 比赛地址是： http://host.robots.ox.ac.uk/pascal/VOC/index.html

标记文本的解释：https://blog.csdn.net/qq_34806812/article/details/82355614

2 整理数据集路径格式：

2.1 建立文件夹层次为 darknet / VOCdevkit / VOC2018，voc2018下面有三个文件夹：

2.2 JPEGImages放所有的训练图片，annotation放所有的xml标记文件。

2.3 Imagesets包含两个文件夹：

3 生成txt标签和list文件

3.1 Main包下新建3个txt：

里面的txt内容格式为图片名（不带后缀）：

(生成train.txt的教程：

把一个文件夹中的所有文件名统计到一个txt中   https://blog.csdn.net/qq_34806812/article/details/81674290)

3.2 修改voc_label.py(根据自己情况修改):

3.3 运行voc_label.py

运行后发现label文件夹下面已经生成了对应的txt标签

同时发现在vocdevkit同目录下也生成了5个list文件

打开发现路径也自动写好了：

4 修改需要的各种配置文件

4.1 新建 cfg/voc_birds.data：（可以复制cfg/voc.data进行根据自己情况的修改）

4.2 新建data / voc_birds.names：（可以复制data/voc.names 进行根据自己情况的修改）

4.3 新建cfg / yolov3-voc-birds.cfg：（可以复制cfg/yolov3-voc.cfg 进行根据自己情况的修改）

修改如下：

4.3.1 注释掉testing，打开train

4.3.2 subdivisions=8

4.3.3 共三个yolo层都要改，yolo层中的class为类别数，每一个yolo层前的conv层中的filters =（类别+5）* 3

5 在darknet目录下载权重文件：

wget https://pjreddie.com/media/files/darknet53.conv.74
 

6 训练

nohup ./darknet detector train cfg/voc_birds.data cfg/yolov3-voc-birds.cfg darknet53.conv.74 2>1 | tee visualization/train_yolov3_birds.log &

nohup $ 是防止因为ssh断开而中断服务器的进程（如果出现“找不到nohup文件”的错误，去掉命令中的“nohup ... &”）

2>1 | tee visualization/train_yolov3_birds.log 是为了保留训练中的log，为了后续绘制loss曲线。

训练开始：

训练直到loss下降到0.0X之后，不再下降了，就可以停止训练了：

7.测试

训练好后可以在backup看到权重文件，

尝试test前要修改cfg文件，切换到test模式：

开始测试：

./darknet detector test cfg/voc_birds.data cfg/yolov3-voc-birds.cfg backup/birds/yolov3-voc-birds.weights

测试结果：

绘制训练中的loss、IOU等变化曲线的教程：https://blog.csdn.net/qq_34806812/article/details/81459982

8.问题集锦

8.1 问题：CUDA Error: out of memory

解决：增大cfg文件中subdivisions，16、32或者64（最多为batch值）

subdivision：这个参数很有意思的，它会让你的每一个batch不是一下子都丢到网络里。而是分成subdivision对应数字的份数，一份一份的跑完后，在一起打包算作完成一次iteration。这样会降低对显存的占用情况。如果设置这个参数为1的话就是一次性把所有batch的图片都丢到网络里，如果为2的话就是一次丢一半。