【深度学习】基于YOLO-V3训练自己的数据与任务(套用已训练好的模型进行自己的数据训练+预测)

提示：此篇笔记是听B站唐宇迪老师的深度学习YOLO-V3课程实战部分所做笔记

---

前言

此篇笔记记录的是：听B站唐宇迪老师的深度学习YOLO-V3课程部分实战所做笔记,是在已经训练好coco数据集的模型的基础上进行的，所以直接就是套用coco训练集训练出来的模型，使用自己的数据进行训练和预测操作流程（方便熟悉整个流程）。

相关课程视频参考：【百万播放】零基础、快速学YOLO目标检测算法！完整学习路线一条龙，无脑通关！

---

一、标注数据信息(训练自己的数据)

1.1 Labelme工具安装

进入GitHub后，搜索labelme

然后输入安装的命令：

pip install labelme

pip install pyqt5

pip install pillow=4.0.0

额外安装完上面三个工具包以后，会自动安装相应的环境变量
点击anaconda进入命令行窗口，输入命令labelme进入安装好的labelme工具


打开后的工具界面

1.2 数据信息标注(数据打标签)

选择矩形框标注：右击鼠标，然后选择矩形框

选择person标签

标注完成后，保存已标注好的文件

1.3 完成标签标注

随便打开一个标注好的json文件

label是类别，points里指的是[x1,y1]和[x2,y2]，shape_type表示矩形框，后续转换需要用到。
shape_type中一对{}表示一个框。


最后有路径和大小

二、写好模型所需要的配置文件

2.1 找到配置文件所在位置

2.2 运行sh文件

由于windows不像linux可以直接运行此类文件，所以需要额外安装git

https://git-scm.com/

下载完git后就可以直接运行.sh文件
下载安装好，右击空白处，点击git bash here

修改自己需要检测的类别，后面的数字表示你的任务的类别个数

bash create_custom_model.sh 2

回车以后会自动新生成一个文件：yolov3-custom.cfg

打开配置文件
有一些小细节不同：类别的个数不一样。

三、标签格式转换

3.1 转换原理

labelme—>x1,y1,x2,y2 YOLO-V3—>Cx,Cy,W,H 相对位置（取值范围0-1）

3.2 使用json2yolo.py文件进行转换

四、写好数据和标签路径

4.1 路径

转换好的输出路径：data\custom\labels
加上.txt文件的尾缀

json_floder_path：labelme生成标签的文件夹
以防万一写绝对路径
对每一个json都要做这个功能

4.2 decode_json函数

从x1y1x2y2 得到 CxCyWH（0-1的相对值）

4.3 convert函数（转换）

注意：name2id指的是，指定如果标注框的name为person，则每一行的第一个数据为0；若为hook，则第一个数值为1；后面紧跟的数据则为框的坐标。

运行结果：第一个值指的是person(0为person，1为hook)，后面依次为Cx,Cy,W,H。（一行为基准）
每一行表示一个矩形框。

五、完成其他配置操作

5.1 复制txt所对应的图片到data\custom\images

注意：数据放到相应的位置，名字和label的一致

5.2 修改classes.names

将里面的内容改成本任务里有的类别名字
ps.多打一行，防止加载失败；注意相应类别的顺序

5.3 在train.txt与val.txt写好对应的路径

ps，数据量多的情况下可以采取写脚本，将图片路径写进txt文件中。

5.4 custom.data

将其中的classes后面的数字修改为任务所需的数字，此处修改为2.

六、训练代码更改

6.1 train.py需要设置的参数（更改参数）

--model_def config/yolov3-custom.cfg
--data_config config/custom.data
--pertrained_weights weights/darknet53.conv.74

yolov3-custom.cfg是前面运行.sh修改后生成的config配置文件：指出网络的每一层配置。
custom.data是前面修改类别的文件：指出了上哪去读数据以及类别个数。
weights/darknet53.conv.74：看你是否想在别人的基础上去做，迁移学习。

6.2 代码中的参数default值修改

七、预测操作

7.1 训练完成后

会在checkpoints文件夹生成模型

7.2 配置detect.py参数

--image_folder data/samples/
--checkpoint_model checkpoints/yolov3_ckpt_100.pth
--class_path data/custom.names

data/samples/ ：把需要预测的数据放到这里。
checkpoints/yolov3_ckpt_100.pth ：训练好模型的路径。
data/custom.names ：画图时把框上显示出来name。

7.3 检测结果

结果在output文件夹下

额外注意

create_custom_model.sh不能重复执行，每次执行生成配置文件之前要先把yolov3-custom.cfg文件删除。

---

结束语

浅浅记录B站学深度学习的部分实战