YoloV3训练配置

YOLOV3的编译及训练（Windows10）

1.所用的环境

win10系统
VS2015
CUDA8.0/CUDA9.0（都有试过）
CUDNN6.0
OpenCV3.3
推荐：
我是在release x64下编译的

编译VS与OpenCV
编译VS与CUDA
这两个链接写的很好，照着编译就可以，使用与所选版本
另外还需要处理一下cudnn与CUDA比较简单cudnn与CUDA的配置
以上都完成以后我们就可以下载YOLO的相关文件了

2.开始编译YOLO

1.下载darknet文件
https://github.com/AlexeyAB/darknet
2.打开文件中的darknet.vcxproj（用记事本打开）
对其中几处进行修改，
第一个就是CUDA的版本，将CUDA9.1改成CUDA8.0/9.0，在记事本中点编辑可以进行全部替换，挺省事的；

第二个就是修改OpenCV的路径（根据自己的路径修改），不用都修改的（VS中配置哪个修改哪个），建议修改release x64，最开始用的是Debug，不过后来报错不会改用了release x64就可以。

3.由于我之前配置过VS2013，这里提醒一下用VS2013的需要修改一下darknet.sln中对应的版本，当然我们用VS2015就不用修改啦
4.打开darknet.sln，刚开始我可以打开-no gpu版本的，不过打不开darknet.sln也就是带GPU的，这是因为GPU没有配置好（配置之后一定要验证），或者就是忘了选解决方案release x64，在release上配置CUDA和OPENCV，在debug上当然不好用（当然配置debug就选debug）。
5.编译上面说的darknet.sln,如果生成成功，那么基本就完事了，如果缺少某个库文件就会报错，所以在配置CUDA和OpenCV一定要仔细。

3.测试结果

1.去官网下载yolov3.weights（放在…\darknet\build\darknet\x64下）
https://pjreddie.com/media/files/yolov3.weights
2.点击win+R输入CMD打开终端，切换到…\darknet\build\darknet\x64这个路径下
3.输入检测图片的命令
darknet.exe detector test data/coco.data yolov3.cfg yolov3.weights dog.jpg
这样可以直接显示一张图片

4.不仅可以检测图片，还可以开启摄像头进行检测和检测视频（不能保存，需要保存可能要改部分代码）
摄像头命令：darknet.exe detector demo data\coco.data yolov3.cfg weights\yolov3.weights
视频命令：.\darknet detector demo cfg\coco.data cfg\yolov3.cfg yolov3.weights test.avi（test.avi类似视频放在x64路径下面）
5.还有个比较有意思的可以使用手机摄像头，给一个链接写的很好，感兴趣照着做就可以：https://blog.csdn.net/baidu_36669549/article/details/81510955?utm_source=app
到这里就已经调通Yolo了，下面就来说明如何训练以用来实际应用 。

4.YOLO的训练

1.当然是选择数据集了，我训练的是栅栏，没有相关数据集所以自己制作了一个数据集， 大概搜集了100张图片，放在新建文件夹（fence_image）中,然后将其放在D:\darknet-master\build\darknet\x64\data下面
2.标注图片，我用的是YOLO_mark(yolo自带的标注工具，当然也可以选用labeling)，
yolo_mark的使用教程参考此链接https://blog.csdn.net/heiheiya/article/details/83506913?utm_source=app
标注以后是这样的，每张图片都生成一个对应txt文本


第一个数字0代表类别，后四个代表目标的坐标，如果使用labeling标注要转换成txt格式。
3.在D:\darknet-master\build\darknet\x64下面新建一个fence.txt的空文本，然后将下面程序放在D:\darknet-master\build\darknet\x64\data下面并运行，

import glob
path = 'data/'
def generate_train(image_path, txt_file):
    with open(txt_file, 'w') as tf:
        for jpg_file in glob.glob(image_path + '*.jpg'):
            tf.write(jpg_file + '\n')
generate_train(path + 'fence_image/', path + 'fence.txt')

运行完成程序就可以看到fence.txt是这样的

4.在D:\darknet-master\build\darknet\x64\data中新建文件fence.names和fence.data（新建文本改后缀即可），填写fence.names中的内容，就是类别名字

填写fence.data（内容可以到coco.data里面复制，然后修改成蓝色区域的样子，我没有用测试集，所以把测试的那一行删掉了）

classes是类别数，到这里已经完成大部分啦
5.要新建一个fence.cfg放在D:\darknet-master\build\darknet\x64下（直接复制yolov3.cfg，然后重命名并修改以下内容）

这里的batch和subdivision的设置为
batch=32（如果显卡够强可以设64）
subdivision=8
有的网上说可以都设置为1，我试了不过效果不好，不建议设置为1，如果显示显卡溢出（out of memory）可以选择多尺度训练（修改为random=0，在最后一行处）或者适当减小batch（减的太多效果不好），然后修改类数以及滤波器数量如下

6.到这里准备工作基本做好啦，接下来下载预训练权重，将其放在D:\darknet-master\build\darknet\x64下：
https://pjreddie.com/media/files/darknet53.conv.74
7.正式开始训练
使用以下命令进行训练（还是在输入测试命令的地方输入）
.\darknet detector train cfg\fence.data fence.cfg darknet53.conv.74
小于1000次每100保存一份权重，大于1000次每1000保存一份权重，当avg loss几乎不变时就可以停止训练（我训练的大概在0.1以下收敛的训练的速度还挺快的）
8最后一步进行测试
输入测试命令：
.\darknet detector test data\fence.data fence.cfg backup\fence_last.weights test\1.jpg
就可以得到下面的结果啦

9.问题
我第一次训练的图片上没有框，然后修改了阈值：
.\darknet detector test data\fence.data fence.cfg backup\fence_last.weights test\1.jpg -thresh 0.1
这样就有框了不过效果并不好（下面图片的名字可以忽略，因为我开始的测试命令没加data\fence.data，这样就是默认用CoCo数据集的名字，后来就改好啦）


遇到这种问题就说明你的模型没有训练好，我开始将batch和subdivision设置为1的时候就出现了这种问题，后来batch=32，subdivision=8在训练出来的结果就不会出现没有框的情况了。

5. 致谢

非常感谢文中链接的帮助，由于很多就不一 一例举啦