使用yolov3的神经网络框架训练实现自定义目标检测

前言

yolov3神经网络框架很厉害！opencv-dnn模块也不错！两个工具搭配相得益彰！因此本人使用yolov3的神经网络框架训练目标用opencv-dnn模块实现目标检测！效果嘛！棒棒的！非常完美！非常nice！

教程

以检测图片中的太阳花为例！
步骤：
1、准备工具：vs2017、darknet、opencv、Yolo_mark，并且安装好（本人的是win10系统环境），不懂怎么安装的请浏览本人博客，有详细教程安装这些工具！
博客地址：链接

2、使用yolo-mark为我们的目标检测图片制作训练集和测试集所需要的数据。
（使用yolo-mark的详细教程网址：https://github.com/AlexeyAB/Yolo_mark）
网址链接：链接

2.1、在安装好的Yolo_mark-master\x64\Release\data\img文件夹里放入我们需要检测的目标图片。（每次检测新的目标时，都要清空img文件夹）

2.2、修改Yolo_mark-master\x64\Release\data\obj.data里面的各个参数，例如我只检测太阳花一类，就在classes=1，2类就写2，几类就写几，其他的建议不用修改
classes= 1，训练图片中的对象数、
train = data/train.txt，训练标签的路径
valid = data/train.txt，验证标签的路径
names = data/obj.names，类名的路径
backup = backup/，训练权重存放的路径（一般存放在darknet-master\build\darknet\x64\backup里面）

2.3、修改Yolo_mark-master\x64\Release\data\obj.names里面的类名，有几个检测目标就写几个检测目标的类名（使用英文），每个类名都要换行书写，不能连在一起。

2.4、运行文件命令Yolo_mark-master\x64\Release\yolo_mark.cmd，弹出应用控制窗口，在里面框选要检测的目标，完成后会在Yolo_mark-master\x64\Release\data\img文件夹中生成各个图片的标签文件****.txt，如图：

2.5、选择合适的cfg网络（可以在cfg文件夹里选择），使用记事本打开并更改classes（位置一般在最后）的数量，classes=类的数量，只有一个检测目标就填1，继续更改filter（位置就在classes前面一点，对于yolov2它的数值是（classes+5）*5，对于Yolov3 (classes + 5)*3）,最后修改random（位置在文件末尾）为1。

2.6、subdivision：这个参数很有意思的，它会让你的每一个batch不是一下子都丢到网络里。而是分成subdivision对应数字的份数，一份一份的跑完后，在一起打包算作完成一次iteration。这样会降低对显存的占用情况。如果设置这个参数为1的话就是一次性把所有batch的图片都丢到网络里，如果为2的话就是一次丢一半（本人用的是yolov2-voc.cfg，官网推荐修改了batch=64和subdivision=64）。

2.7、选择合适的卷积层的预训练权重（我用的预权重darknet19_448.conv.23），其实就是迁移学习。

2.8、把选择好的的cfg网络和Yolo_mark-master\x64\Release\data文件夹里面的train.txt、obj.names、obj.data 、（预训练权重）darknet19_448.conv.23和文件夹img这几个文件复制粘贴到自己安装的darknet-master\build\darknet\x64\data文件夹里。
如图：

2.9、在安装的darknet-master\build\darknet\x64文件中，在空白处按住shift+鼠标右键点击Windows power shell ，运行训练命令：
./darknet.exe detector train data\obj.data data\yolov2-voc.cfg data\darknet19_448.conv.23(本人的训练命令)

训练命令格式：

darknet.exe detector train <.data文件位置> <.cfg文件位置> <权重文件位置> <识别文件位置>（各命令的解释）

3、运行训练命令，正常运行会出现如图所示：

3.1训练过程中，鼠标点击控制台窗口，会暂停训练，按键盘任意键则继续训练。

3.2在darknet-master\build\darknet\backup里面存放的是训练的权重（weights文件）类似于级联分类器的xml文件。

3.3训练完后得到权重（weights文件），在darknet-master\build\darknet\x64里面开始测试，启动Windows power shell输入测试命令。

测试命令：

.\darknet.exe detector test data/obj.data data/yolov2-voc.cfg data\yolo
v2-voc.weights -i 0 -thresh 0.25 sunflower.jpg -ext_output

命令格式：
darknet.exe detector test <.data文件位置> <.cfg文件位置> <权重文件位置> <识别文件位置>（各命令的解释）

3.4本人测试的结果如图：

下一篇博客内容预告

下篇博客，将使用训练好的weight和cfg和names结合opencv，分享进行检测目标的代码
敬请期待！！！