YOLOV3制作物体检测模型

DarkNet项目：https://github.com/AlexeyAB/darknet
YOLO-Mark工具：https://github.com/AlexeyAB/Yolo_mark
在darknet的项目基础之上训练属于自己的物体检测模型——识别狗的物体检测模型。

收集数据集

考虑到机器的性能问题，决定收集200张左右数据集。数据集中每张图片中都带有狗。并且数据集中狗的种类不止一种，包括金毛，拉布拉多，阿拉斯加等多种类型的狗，平均每种狗的图片数量在16张。

数据预处理

在训练狗的物体检测模型中要求，对每幅图片的目标位置进行确定。对存储位置数据的文件格式具有明确的规定：

1. 数据集中每幅图片跟着一个.txt文件。
2. .txt文件中的内容格式为：对象的序号 对象中心的x坐标 对象中心的y 坐标 对象的宽 对象的高，如下图所示。
   
   由于数据集中的图像较多，采用工具YOLO-mark进行标注。进入Github下载YOLO-mark的源代码进行编译生成。采用生成后的工具对图像进行标志，如下图所示。
   
   然后将所有.txt文件和对应的图片放到\darknet-master\build\darknet\x64\data\img目录下，然后将YOLO-master生成的train.txt文件放到\darknet-master\build\darknet\x64\data目录下。

修改相应文件

1. 在\darknet-master\build\darknet\x64\data路径下新建obj.data文件，修改文件内容如下图所示。
   
2. 在\darknet-master\build\darknet\x64\data路径下新建obj.names文件，修改其内容，输入所检测目标的名称dog（独占一行）。
3. 复制yolov3.cfg文件，粘贴到相同目录下并重命名为yolo-obj.cfg 。修改其内容。修改Tainting下的batch=64，subdivisions=8。在每个[yolo]下修改classes=1。在每个[yolo]上的[convolutional]中修改filters=18。（其中classes为所检测对象的数量，filters=（classes+1）* 3，在训练中如果出现GPU的Out of memory错误，则修改subdivisions的值为16，32，64）。

物体检测模型的训练

首先下载权重文件darknet53.conv.74，并将该权重文件放入到\darknet-master\build\darknet\x64目录下。其次，在含有darknet.exe的文件目录下，打开powershell窗口输入命令行./darknet.exe detector train data/obj.data yolo-obj.cfg darknet53.conv.74进行训练，模型训练时如图4.4所示。在该过程中，每100次，生成或更新一次/backup/yolo-obj_last.weights文件，而每一千次生成一个yolo-obj_xxxx.weights。（.weights文件为生成的物体检测模型）。
相关参数：
Average IOU ：是标记的框和预测的框重复的部分 除以 他们的和，这个值越接近1越好。Avg loss：平均损失，越小越好。Class： 标注物体分类的正确率，期望该值趋近于1。Avg Recall： 是在recall/count中定义的，是当前模型在所有subdivision图片中检测出的正样本与实际的正样本的比值。count后的值是所有的当前subdivision图片中包含正样本的图片的数量。

精度检测

首先，运用YOLOV-mater工具制作测试集。并将生成的测试集放入\darknet-master\build\darknet\x64\data文件夹下，并将YOLO-master工具生成的train.txt文件内容复制到F:\DarkNet\darknet-master\darknet-master\build\darknet\x64\data路径下test.txt文件中。
其次修改yolo-obj.cfg文件，#Testing下的batch和subdivisions的注释取消，而#Training下的batch和subdivisions注释掉。
最后，在powershell命令行中输入.\darknet.exe detector map data/obj.data yolo-obj.cfg yolo-obj_2000.weights，则在powershell中计算检测精度。如下图所示。