Windows下pytorch-yolov3训练自己的数据集

准备数据集

• 环境搭建不再赘述，默认已搭建好环境
• 准备需要训练的图片
• 使用labelimg或其他标注工具标注

下载yolov3

• 地址：yolov3

导入自己的数据集

• 解压文件，打开yolov3-master/data目录，删除原有的文件
• 新建四个文件夹(Annotations、ImageSets、images、labels)
• 在Annotations下放入xml文件
• 在images下放入图片文件
• 在ImageSets下新建文件夹Main
• 在Main文件夹下新建四个txt文件test.txt、train.txt、trainval.txt、val.txt
• 目录结构如图所示
  

划分数据集

• 在data文件夹下新建一个py文件，写入如下脚本，并运行

import os
import random
 
trainval_percent = 0.2   #比例可自行调整
train_percent = 1
xmlfilepath = 'Annotations'
txtsavepath = 'ImageSets\Main'
total_xml = os.listdir(xmlfilepath)
 
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
 
ftest = open('ImageSets/Main/test.txt', 'w')
ftrain = open('ImageSets/Main/train.txt', 'w')
 
for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:

        if i in train:
            ftest.write(name)
    else:
        ftrain.write(name)

ftrain.close()
ftest.close()

配置训练文件

• 在data目录下新建geek.data文件，写入如下内容

classes=2 #类别数，按自己数据进行调整
train=data/train.txt
valid=data/test.txt
names=data/geek.names

• 在data目录下新建geek.names文件，写入要训练的分类（以hat、person二分类为例）
  

生成训练和测试文件

在yolov3-master目录下新建一个py文件，写入如下代码（以hat、person二分类为例），并运行

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
 
sets = ['train', 'test']
 
classes = ['hat','person']  #自己训练的类别
 
 
def convert(size, box):
    dw = 1. / size[0]
    dh = 1. / size[1]
    x = (box[0] + box[1]) / 2.0
    y = (box[2] + box[3]) / 2.0
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return (x, y, w, h)
 
 
def convert_annotation(image_id):
    in_file = open('data/Annotations/%s.xml' % (image_id))
    out_file = open('data/labels/%s.txt' % (image_id), 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)
 
    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
             float(xmlbox.find('ymax').text))
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
 
 
wd = getcwd()
for image_set in sets:
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    image_ids = open('data/ImageSets/Main/%s.txt' % (image_set)).read().strip().split()
    list_file = open('data/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write('data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

修改cfg配置文件

• 以下是需要修改的参数及修改标准，有多处，建议全文检索修改

[convolutional]
size=1
stride=1
pad=1
filters=21 #计算标准：3 * （classes + 5）
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=2 #classes数量
num=9
jitter=.3
ignore_thresh = .7
truth_thresh = 1
random=1

添加权重文件

• 在weights目录下放入权重文件

训练数据

• 做完以上工作，就可以开始训练啦。

python train.py --data data/geek.data --cfg cfg/yolov3-spp.cfg #更多参数查看train.py

• 等待训练结束
  

测试模型

python detect.py --data data/geek.data --cfg cfg/yolov3-spp.cfg --weights weights/best.pt

更多操作

• 以上就是使用yolov3训练自己数据的基本流程，更多好玩的操作请查看官方指南