谷歌colab训练自己的数据集YOLOv3

自己电脑的GPU不支持cuda，所以尝试使用谷歌的Colabortory,免费提供GPU，最长运行时间12小时，因此一般需要挂载到谷歌云盘上，储存文件。

数据集

目标检测的数据集需要自己手动标注目标物体位置并对应生成xml文件表示目标框的位置，本文简单介绍windows系统下标注工具LabelImg的使用。
LabelImg下载链接:LabeIImg
下载好labelImg-master.zip后解压得到如下图所示。

shift+右击空白处打开powershell窗口
输入两个命令Pyrcc5 -o resources.py resources.qrc
python labelImg.py
可能会出现no module named libs.resources这样的错误，将resources.py拷贝到同级的libs目录下就可以解决了。再输入第二条命令就可以运行成功了。具体使用可以参考这篇windows下使用labelImg标注图像

本次采用的数据集是红细胞的检测，已经标注好的数据链接：已标注好的细胞数据连接，Annotations文件是已经标注好目标框的xml文件，JPEGImages是jpg图片文件。

colab使用

首先需要创建一个谷歌云盘账号，右键空白处->更多->Google Colabortory,相应目录下会生成一个.ipynb文件，下次使用可直接右键此文件以Google Colabortory方式打开。如果没有Googel Colabortory选项，点击关联更多应用添加。

首先训练自己的数据集需要挂载谷歌云盘，方便文件的传输。点击链接进去，复制代码到下面框中即可。

挂载成功如下图

下面介绍一些简单的文件操作：

设置GPU模式

安装Pytorch

colab自带的是tensorflow,因此需要自己从官网复制代码下载pytoch,如下图

配置文件

首先clone项目构建Darknet，输入以下命令

构建好后，右侧文件如下图：

上传并构建数据集

将刚才下载好的数据集上传到/darknet/data/目录下，在谷歌云盘中相应目录下空白处右击上传即可，修改数据集名字为yolov3。

点进Yolov3，创建imagesets空文件夹，imagesets存放图片路径。（忽略labels文件夹）

imagesets路径编写生成的txt文件内容如下，每张图片的完整路径。

分割数据集为训练集和测试集，分割后图片的名字存在imagesets下

imagesets下的文件

从xml文件中提取目标框坐标，并存入JPEGImages图片文件夹里，并在yolov3文件夹里生成train.txt和test.txt，与上面生成的不一样，这里是图片的完整路径

生成的labels文件内容如下：

配置文件

在/darknet/data/目录下创建rbc.data和rbc.names文件,如下：


网络结构配置，将/darknet/cfg/目录下的yolov3.cf文件基础上改，可以将yolov3.cf文件复制重命名为yolov3_custom.cfg再存到cfg目录下。修改地方如下，如何修改可参考Yolov3 win10+vs17 运行及训练自己的数据集

开始训练

下载预训练权重

训练，第一行是防止Permission denied错误。这里注意前面构建数据的文件一定要放对路径，不然会报奇奇怪怪的错。训练产生的权重文件自动保存在/darknet/backup中

如中间因不明原因停止可以查看backup目录下最后一次权重是多少（比如yolov3_custom_700.weights），然后运行如下代码就可以了。

用训练出来的权重测试

修改yolov3_custom.cfg为测试模式

随便找一张细胞图片放入/darknet/data文件下（BloodImages_00001.jpg），然后输入下列代码。

得到下列结果，可以看到预测到几个目标：

显示图片

显示预测结果