yolo-darknet实现自己数据的train和test

有目共睹的是,yolo训练数据优点明显,训练检测速度超快,功能超强。因网上关于yolo训练自己数据的博客几乎没有,所以我就yolo训练自己数据做一具体操作流程,希望可以帮助大家,让大家对yolo不再陌生。
注意:1、请根据我的博客将yolo安装和测试,博客地址:http://blog.csdn.net/samylee/article/details/51684856
2、请严格按照我博客的顺序做下去

第一部分:修改darknet/makefile文件
打开makefile文件:
1、删去CUDNN=0一行
2、LDFLAGS= -lm -pthread改为LDFLAGS= -lm -pthread -lstdc++
3、删去ifeq($(CUDNN),1)-lcudnn endif
4、删去activation_layer.oart.o
5、删去LDFLAGS+= -lstdc++一行
6、在avgpool_layer_kernels.o后增加yolo_kernels.o coco_kernels.o
保存退出

第二部分:下载src文件夹
下载链接:http://download.csdn.net/detail/samylee/9555834
下载解压后替换/darknet下的原src文件夹
打开src文件夹下的yolo.c文件:
1、classnum代表训练几类,person代表训练的类别(这里我给出例子为person)
2、修改train_images部分:改其中的usr您的服务器用户名
3、修改backup_directory部分:改其中的usr您的服务器用户名(同时在/darknet文件夹下新建文件夹命名为backup
打开src文件夹下的yolo_kernels.cu文件:
其中cls_num 1代表1类(如果增加类,此变量相应增加)

第三部分:下载数据
images下载链接:http://download.csdn.net/detail/samylee/9555838
labels下载链接:链接:http://pan.baidu.com/s/1dFG2LX3 密码:66xd
train.txt下载链接:链接:http://pan.baidu.com/s/1nvguFKP 密码:bg0b
darknet.conv.weights(yolo-tiny小模型)下载链接:http://download.csdn.net/detail/samylee/9555843
1、将imageslabelstrain.txt文件夹放入/darknet/scripts文件夹下,同时打开train.txt文件,修改usr您服务器的用户名,保存退出。
2、将darknet.conv.weights文件放入/darknet

第四部分:编译
终端输入:
cd darknet(进入darknet文件夹)
make clean
make -j16


第五部分:训练数据
终端输入:
./darknet yolo train cfg/yolo-tiny.cfg darknet.conv.weights
如果终端显示NO such file or directory
则在darknet目录的终端下输入:
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
再次终端输入:
./darknet yolo train cfg/yolo-tiny.cfg darknet.conv.weights
此时程序会跑起来,我在程序执行至保存1000步的时候进行了测试
 

第六部分:测试数据

这里提供yolo-tiny_1000.weights下载,仅供参考,下载链接:链接:http://pan.baidu.com/s/1c18hgT6 密码:xbh9

darknet/backup文件夹下生成的yolo-tiny_1000.weights拷贝至/darknet下,同时将/darknet/scripts/images/person下的s8.jpg拷贝至/darknet
终端输入:
./darknet yolo test cfg/yolo-tiny.cfg yolo-tiny_1000.weights

运行后终端会出现Enter Image Path一行,在后面输入s8.jpg即可,得到predicton如下图所示(因数据量过低,故效果不是很好,增加数据量即可解决,这里只做demo):

 

 

 

任何问题请加唯一QQ2258205918(名称samylee)  !!!

唯一VX:samylee_csdn

 

 

 

  • 7
    点赞
  • 52
    收藏
    觉得还不错? 一键收藏
  • 41
    评论
YOLO(You Only Look Once)是一种目标检测算法,而Darknet是一个用于实现YOLO算法的开源框架。 YOLO算法的特点是将目标检测任务看作是一个单次前向传递的回归问题,它将整个图像分成多个网格,并对每个网格预测边界框和类别概率。这种设计使得YOLO在速度上非常高效,可以实时地进行目标检测。 Darknet是一个用C语言编写的轻量级神经网络框架,专门用于实现YOLO算法。它提供了一个简单而灵活的接口,可以用于训练和测试YOLO模型。 为了使用YOLO和Darknet,你需要进行以下几个步骤: 1. 配置和编译Darknet:首先,你需要下载Darknet框架并解压。然后,你可以根据你的需求修改Makefile文件以配置编译选项。通过运行"make"命令,你可以生成可执行的Darknet文件。 2. 自定义数据集:为了训练YOLO模型,你需要准备一个数据集。你可以创建一个.data文件来配置数据集的路径、类别数量等信息。 3. 配置网络参数:YOLO模型的配置文件是一个.cfg文件。你可以修改yolov4-tiny.cfg文件中的filters和classes参数来适应你的数据集。 4. 训练模型:使用以下命令开始训练你的YOLO模型: ./darknet detector train datasets/attackgiant/attackgiant.data cfg/yolov4-tiny-attackgiant.cfg -map 5. 测试模型:为了测试你的模型,你需要下载预训练的权重文件。你可以从YOLOv4 model zoo下载yolov4.weights,并将其放置在当前目录下。然后,可以使用以下命令进行测试: ./darknet detector test ./cfg/coco.data ./cfg/yolov4.cfg ./yolov4.weights data/dog.jpg -i 0 -thresh 0.25 或者你可以直接运行一个名为image_yolov4.sh的脚本。 这些是使用YOLO和Darknet进行目标检测的基本步骤。通过逐步调整和训练,你可以获得更好的检测结果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 41
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值