从头开始训练自己的YOLOv3检测器

想要拥有自己的yolo3目标检测器吗？通过 此博客你可以从头开始训练自己的yolo3目标检测器
本文是基于github上开源项目并根据自己亲身使用来撰写的，旨在帮助对github上此项目不熟的人提供中文教程，让小伙伴们感受到人工智能的魅力。

数据集准备

在本文中我们是使用猫咪的数据集，数据集你可以使用网上现有的开源数据集还可以自己创建数据集

收集数据

创建图像数据集，可以考虑使用Chrome扩展程序，例如Fatkun Batch Downloader，该扩展程序可让您轻松构建自己的数据集。

克隆仓库

在开始之前，请将github.com/AntonMu/TrainYourOwnYOLO的存储库克隆到本地计算机。确保设置虚拟环境并安装要求。
并且请保留项目中的原有的文件结构

数据标注

收集到足够多的猫脸数据集(为保证训练效果请至少收集100个以上的猫咪图片）后需要对图像进行标注，标记图像的工具，我建议使用Microsoft的可视对象标记工具（VoTT），该工具具有适用于Windows，Mac和Linux的发行包，网址为：https://github.com/Microsoft/VoTT/releases
不同的操作系统应该下载不同的应用程序
Mac：下载并安装vott-2.x.x-darwin.dmg；
Windows：下载并安装vott-2.x.x-win32.exe；
Linux：请下载并安装vott-2.x.x-linux.snap
安装后，创建一个新项目并将其命名为Annotations。然后选择TrainYourOwnYOLO / Data / Source_Images / Training_Images作为源和目标连接。在导出设置下，选择逗号分隔值（CSV）作为提供者，然后点击保存导出设置。现在，开始通过在猫脸周围绘制边框来标记猫脸。

标记了足够多的猫脸后，请按CRTL + E导出项目。在TrainYourOwnYOLO / Data / Source_Images / Training_Images文件夹中，您现在应该看到一个名为vott-csv-export的新文件夹，其中包含Annotations-export.csv。
接下来，进入TrainYourOwnYOLO / 1_Image_Annotation文件夹运行转换脚本以将注释转换为YOLO格式

python Convert_to_YOLO_format.py

训练YOLOv3模型

进入TrainYourOwnYOLO / 2_Training并运行以下代码下载好预训练权重模型

python Download_and_Convert_YOLO_weights.py

并运行以下代码，进行训练

python Train_YOLO.py

此过程可能需要几分钟到几个小时。建议使用GPU来加快培训速度。最终权重保存在TrainYourOwnYOLO / Data / Model_Weights中

使用自己训练的yolo3检测器

将自己要测试的图片放入TrainYourOwnYOLO / Data / Source_Images / Test_Images文件夹内
然后进入TrainYourOwnYOLO / 3_Inference并运行：

python Detector.py