基于DarkNet和 OpenCV的 YOLOv3 训练雪人检测模型

下载样例 opencv- yolo3代码雪人检测处理。

GitHub

git clone https://github.com/BillyLearn/opecv-yolo3-snowman.git

下载数据集， 并拆分

1. 安装 awscli

   pip3 iinstall awscli

2. 获取csv 文件

   wget https://storage.googleapis.com/openimages/2018_04/class-descriptions-boxable.csv

   wget https://storage.googleapis.com/openimages/2018_04/train/train-annotations-bbox.csv

3. 移动上面的样例代码与这两个csv文件，使它们在同一个文件夹之下。

4. 下载图片数据集

python3 getDataFromOpenImages_snowman.py

图像被下载到 JPEGImages 文件夹中，并且相应的标签文件被写入 labels 文件夹中。 该下载将在539张图像上获得770个雪人实例。 下载可能需要一个小时左右，具体时间取决于互联网速度。

5. 拆分数据集，训练和测试数据。

python3 splitTrainAndTest.py JPEGImages

将数据拆分为训练（90％）和测试集（10％），并生成两个文件 snowman_train.txt 和 snowman_test.txt

配置DarkNet

参考 Yolo官网

先安装依赖环境（可选）

openCV: 参考教程

cuda: 参考教程

1. 下载darkNet 源码：

   git clone https://github.com/pjreddie/darknet
   cd darknet

2. 修改代码以定期保存模型文件

   vim examples/detector.c

   if(i%10000==0 || (i < 1000 && i%100 == 0)){
   to
   if(i%1000==0 || (i < 2000 && i%200 == 0)){

3. 更改Makefile 文件

   vim Makefile

   如果用GPU运行:

   GPU = 1

   如果安装了cudnn:

   CUDNN=1

   如果安装了opencv:

   OPENCV =1

   如果怎么都没安装，只是用CPU运行，则不用修改Makefile文件

4. 编译

   make

5. 如果还想再修改Makefile

   make clean

   vim Makefile

   make

6. 下载预训练 模型, 就放在当前 darknet 文件夹下

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

开始训练模型

1. 在雪人样例代码中，修改 darknet.data文件

   classes = 1
   train  = snowman_train.txt
   valid  = snowman_test.txt
   names =  classes.names
   backup = weights/
   

   对应的文件路径配置，找到对应的位置存放。

2. 可以修改超参数配置 darknet-yolov3.cfg

   [net]
   # Testing
   # batch=1
   # subdivisions=1
   # Training
   batch=64
   subdivisions=32
   

   这里我把subdivisions 修改为32

3. 开始训练

   ./darknet detector train ./darknet.data ./darknet-yolov3.cfg ./darknet53.conv.74 > ./train.log

   对应的文件夹对应的位置

4. 可以查看训练日志

   grep “avg” train.log

   下面是我的训练过程. 可以看到会越来越收敛。

5. 如果想观察loss趋势图

   python3 plotTrainLoss.py train.log
   

测试模型

1. 修改样例代码 object_detection_yolo.py 的配置路径

   modelConfiguration = “/data-ssd/sunita/snowman/darknet-yolov3.cfg”;
   modelWeights = “/data-ssd/sunita/snowman/darknet-yolov3_final.weights”;

   to

   modelConfiguration = “darknet-yolov3.cfg”;
   modelWeights = “./weights/darknet-yolov3_600.weights”;

2. 修改注释darknet-yolov3.cfg, 以便测试

	# Testing
	batch=1
	subdivisions=1
	# Training
	# batch=64
	# subdivisions=32
	width=416
	height=416

3. 测试图片, 可从网上随意找一张雪人的照片拿来测试

   python object_detection_yolo.py --image=snowmanImage.png

snowmanImage.jpg

snowmanImage_yolo_out_py.jpg

参考资料
https://pjreddie.com/darknet/yolo/
https://www.learnopencv.com/training-yolov3-deep-learning-based-custom-object-detector/
https://blog.csdn.net/new_delete_/article/details/84797041
https://zhuanlan.zhihu.com/p/35490655