yolov3训练自己的数据

一、数据集准备

1、数据文件夹结构

（1）在darknet_linux目录下新建个文件夹mydata2007；
（2）在darknet_linux/mydata2007目录下新建文件夹mydata2007;
（）在darknet_linux/mydata2007/mydata2007目录下分别新建Annotations、ImageSets、JPEGImages和labels四个文件夹。

2、存放数据

（1）将图片复制到darknet_linux/mydata2007/mydata2007/JPEGImages目录下；
（2）将xml放到darknet_linux/mydata2007/mydata2007/Annotations目录下；
备注xml只是为了得到最终的标签文件，可以看成是标签预处理之前的文件，不一定是xml

3、处理数据

darknet_linux/mydata2007/mydata2007/ImageSets下新建Main文件夹，执行python3 write_maintxt.py，得到test.txt,train.txt.trainval.txt,val.txt，比例为2:1:2:1

4、得到标签

执行python3 voc_label.py得到labels文件夹下的标签文件以及2007_test.txt,2007_train.txt,2007_val.txt,train_all.txt,train.txt

2、cfg/mydata.data

二、配置文件修改

1、cfg/mydata.cfg

filters和class需要修改，class=20,filters=3*(class+5)

2、data/mydata.names

存放类别标签

3、cfg/mydata.data

三、开始训练

1、不记录log文件的训练命令

./darknet detector train cfg/mydata.data cfg/mydata.cfg weights/darknet53.conv.74

2、记录log文件的训练命令

 ./darknet detector train cfg/mydata.data cfg/mydata.cfg weights/darknet53.conv.74 2>1 | tee visualization/train_yolov3.log 

3、恢复训练

./darknet detector train cfg/mydata.data cfg/mydata.cfg backup/mydata.backup

四、测试代码

1、带有cfg/mydata.data参数的测试命令

./darknet detector test cfg/mydata.data cfg/mydata.cfg backup/mydata_10000.weights data/dog.jpg

2、不带cfg/mydata.data参数的测试命令

./darknet detect cfg/mydata.cfg backup/mydata_10000.weights data/dog.jpg

3、带有阈值参数的测试命令

./darknet detect cfg/crop.cfg backup/crop_15000.weights crop2007/crop2007/JPEGImages/40-10021014190928105705535.jpg -thresh 0.25

备注：
detec走的是darknet.c，有时可能会需要在437行修改参数

detector走的是detector.c
测试代码的框的粗细在image.c里面调节，模型保存在detector.c里面