Yolov3训练自己的数据集（新手小白）

最新推荐文章于 2023-04-26 09:30:52 发布

我只喝露水

最新推荐文章于 2023-04-26 09:30:52 发布

阅读量8.3k

点赞数 24

分类专栏：目标检测文章标签： Yolov3 训练自己的数据集

本文链接：https://blog.csdn.net/qq_41967963/article/details/101161983

版权

目标检测专栏收录该内容

2 篇文章 0 订阅

订阅专栏

Yolov3训练自己的数据集

暑假参加一个比赛用到了Yolov3 darknet训练数据，一直想着要把它记录下来，拖到开学后好久啦才动手
第一篇blog就是你啦～

环境配置

Ubuntu 18.04；
cpu(电脑太垃圾，没有独显惨兮兮)；

下载安装darknet

yolo官网 here https://pjreddie.com/
1、下载darknet，官网有提示哟，这里也贴出来吧

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

2、修改Makefile文件

vi Makefile

我这里只能用cpu，如果你们可以用gpu就把GPU=0改为GPU=1
然后保存退出再

make

才能让你的修改生效

修改darknet里面的一些文件

1、修改/darknet/cfg/voc.data：

classes= 7  #类的个数
train  = /darknet/scripts/2019_train.txt  #2019_train.txt文件路径
valid  = /darknet/scripts/2019_val.txt       #2019_val.txt文件路径
names = data/voc.names
backup = backup   #用来放后面训练生成的weights文件，没有就新建一个

2、修改 /darknet/data/voc.names :
写上自己的类名，一行一个，像下面这样
在这里插入图片描述

下载预训练权重文件

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

制作数据集

1、制作数据集文件结构

cd darknet/scripts   #在这个目录下存放我们的数据集
mkdir VOCdevkit
cd VOCdevkit
mkdir VOC2019     #这里的年份你随意，但是前后要一致
cd VOC2019
mkdir Annotations  #存放xml格式的数据
mkdir -p ImageSets/Main   #存放训练数据集和验证数据集的图片名，Main里面就2个txt文件：train.txt   val.txt
mkdir JPEGImages  #存放原始图片在这里插入代码片
mkdir labels  #存放每张图片的txt信息

文件结构就建好啦～
如下图
在这里插入图片描述
2、数据集的命名
！！！有些图片后缀名是.JPG，它后面生成的路径上的是.jpg，按理说不会有影响滴～
然而我又踩了一个坑，大小写不一致会出现： can’t load image
更改后缀名参考此处嘻嘻嘻～
更改之前最好备份，血淋淋的教训啊

3、数据集打标签
这里使用的工具是 labelImg 下载安装传送门biu～
下载好了后在终端运行以下代码打开labelImg

cd labelImg               #有些是labelImg-master,反正自己康康呗
python labelImg.py

出现如下界面
在这里插入图片描述然后点击 打开目录 注意这里不是点 打开文件 ！！
（打开文件 打开的是单张图，这里快捷键Ctrl + A和Ctrl + D 都没用的）说多了都是泪啊！！
这里放几个快捷键吧，嘿嘿
上一张： Ctrl + A
下一张： Ctrl + D
创建一个矩形框：Ctrl + W
保存：Ctrl + S

3、标签打完后，放进对应的文件夹

Annotations : 放生成xml文件
JPEGImges：放原始图片

4、生成训练所需的txt文件
首先修改/darknet/scripts/voc_label.py :

#替换为自己的数据集，年份自己随意
sets=[('2019', 'train'),('2019','val')]   

#修改为自己的类别
classes = ["fenda", "babaozhou", "hongniu", "kunlunshan", "chouzhi", "ADgai", "wanglaoji"]

#修改为自己的数据集用作训练（合并为train.txt）
os.system("cat 2019_train.txt 2019_val.txt > train.txt")

运行

python voc_label.py

生成2019_train.txt，2019_val.txt，train.txt等训练文件列表，这是在 scripts 目录下的

然后需要生成 ImageSets/Main里面的两个txt文件：train.txt 和 val.txt
话不多说，直接上代码

import os
from os import listdir, getcwd
from os.path import join
if __name__=='__main__':
    source_folder='/darknet/scripts/VOCdevkit/VOC2019/JPEGImages'
    dest='/darknet/scripts/VOCdevkit/VOC2019/ImageSets/Main/train.txt'   # train.txt文件路径
    dest2 = '/darknet/scripts/VOCdevkit/VOC2019/ImageSets/Main/val.txt'  # val.txt文件路径
    file_list=os.listdir(source_folder)
    train_file=open(dest,'a')
    val_file = open(dest2, 'a')
    for file_obj in file_list:
        file_path=os.path.join(source_folder,file_obj)
        file_name,file_extend=os.path.splitext(file_obj)
        file_num=int(file_name)
       
        if(file_num%50==0):
            val_file.write(file_name+'\n')
        else:
            train_file.write(file_name+'\n')
train_file.close()
val_file.close()

运行这个程序，get it～

开始训练啦

停，先修改一下这个文件 /darknet/cfg/yolov3-voc.cfg:
查找yolo，共四处要修改：

# Testing（训练好模型后测试时下两行注释取消，训练时注释保留）
# batch=1
 #subdivisions=1
 
# Training（测试时下两行添加注释）
batch=8
subdivisions=4

width=416
height=416
channels=3
momentum=0.9
decay=0.0005
angle=0
saturation = 1.5
exposure = 1.5
hue=.1

（如上修改有一处）

[convolutional]
size=1
stride=1
pad=1
filters=36      #修改为 3*（classes+5），我用了7个类故为36
activation=linear

[yolo]
mask = 6,7,8
anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
classes=7        #修改为自己类别个数
num=9
jitter=.3
ignore_thresh = .5
truth_thresh = 1
random=0         #如果显存大可设为1，显存小为0，关闭多尺度训练

（如上修改有三处，修改后保存）

这才开始训练啦～

./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gpus      #这是有gpu的

./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74    #cpu

在这里插入图片描述训练时有好些参数呢，这里了解不深，参考了其他的文章

#训练过程参数意义：
Region xx: cfg文件中yolo-layer的索引；
Avg IOU:当前迭代中，预测的box与标注的box的平均交并比，越大越好，期望数值为1；
Class: 标注物体的分类准确率，越大越好，期望数值为1；
obj: 越大越好，期望数值为1；
No obj: 越小越好；
.5R: 以IOU=0.5为阈值时候的recall; recall = 检出的正样本/实际的正样本
0.75R: 以IOU=0.75为阈值时候的recall;
count:正样本数目。

检测图片

！！！ 这里要先修改/darknet/cfg/yolov3-voc.cfg :

# Testing（取消下面两行注释）
 batch=1
subdivisions=1
 
# Training（下面两行添加注释）
#batch=8
#subdivisions=4

width=416
height=416
channels=3
momentum=0.9
decay=0.0005
angle=0
saturation = 1.5
exposure = 1.5
hue=.1

保存再终端执行

./darknet detector test cfg/yolov3-voc.cfg backup/yolov3.weights data/xxx.jpg      #此处是你要检测图像的路径

终于到底啦！

有些这个过程中遇到的问题以及解决方法会在后面的博客中贴出来～
第一次写博客，经验不多，有啥错误的欢迎下方留言指出！！