Windows下darknet训练自己的yolov3模型

准备数据集

• 使用labelimg或其他标注工具标注自己准备的数据集

下载编译darknet

下载直达

修改基本参数

• 打开Makefile文件，修改配置参数，参考如下
  

编译

• 注意Windows下编译需要先在include/darknet.h文件头中添加 #include <time.h>

make

• 编译完成后的到darknet.exe文件
  

准备训练集、测试集

• 删除data目录下文件，新建如下文件
  
• 说明：Annotations下存放xml文件，JPEGImages下存放与xml对应的图片文件
• 新建一个py文件，写入以下代码并运行、

import os
import random

trainval_percent = 0.1 #可根据自己需求调整
train_percent = 0.9 #可根据自己需求调整
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)

ftrainval = open('ImageSets/Main/trainval.txt', 'w')
ftest = open('ImageSets/Main/test.txt', 'w')
ftrain = open('ImageSets/Main/train.txt', 'w')
fval = open('ImageSets/Main/val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftest.write(name)
        else:
            fval.write(name)
    else:
        ftrain.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

• 将数据集转成darknet支持的格式：根目录下新建一个py文件，写入以下代码并运行

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
 
 
sets=[('data', 'train')]
 
classes = ["hat", "person"] # 改成自己的类别
 
def convert(size, box):
    dw = 1./(size[0])
    dh = 1./(size[1])
    x = (box[0] + box[1])/2.0 - 1
    y = (box[2] + box[3])/2.0 - 1
    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(year, 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 year, 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_%s.txt'%(year, image_set), 'w')
    for image_id in image_ids:
        list_file.write('%s/data/JPEGImages/%s.jpg\n'%(wd, image_id))
        convert_annotation(year, image_id)
    list_file.close()

修改配置参数

• 打开cfg下的voc.data和yolov3-voc.cfg文件
• 修改voc.data

classes= 2 #自己数据的类别数，以hat、person两类为例
train  = data/data_train.txt
names = data/voc.names #稍后会创建这个文件
backup = data/weights

• 修改yolov3-voc.cfg
• 直接搜索关键词yolo，修改如下参数，有多处，建议全文检索
  
• 部分参数说明

[net]
# Testing            ### 测试模式                                          
# batch=1
# subdivisions=1
# Training           ### 训练模式，每次前向的图片数目 = batch/subdivisions 
batch=64
subdivisions=16
width=416            ### 网络的输入宽、高、通道数
height=416
channels=3
momentum=0.9         ### 动量 
decay=0.0005         ### 权重衰减
angle=0
saturation = 1.5     ### 饱和度
exposure = 1.5       ### 曝光度 
hue=.1               ### 色调
learning_rate=0.001  ### 学习率 
burn_in=1000         ### 学习率控制的参数
max_batches = 50200  ### 迭代次数                                          
policy=steps         ### 学习率策略 
steps=40000,45000    ### 学习率变动步长 

• 在data目录下新建VOC.names文件，写入自己的类别

训练

• 下载预训练权重：直达
• 开始训练

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

• 或者指定gpu训练，默认使用gpu0

.\darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gups 0,1,2,3

• 从停止处重新训练

.\darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gups 0,1,2,3 myData/weights/my_yolov3.backup -gpus 0,1,2,3

• 测试

.\darknet detect cfg/my_yolov3.cfg weights/my_yolov3.weights 1.jpg