darknet框架中YOLO3的参数理解

3.0 前言
        本文是YOLOv3系列第3篇，记录YOLOv3如何训练自己的模型。

        YOLOv3系列第1篇：win10下YOLOv3下载与编译

        YOLOv3系列第2篇：YOLOv3的应用

        YOLOv3系列第3篇：YOLOv3训练自己的模型
        建议参考github上作者的说明，写的十分清楚。

        参考的网页：

        https://github.com/AlexeyAB/darknet/blob/master/README.md

        https://blog.csdn.net/lilai619/article/details/79695109#commentBox

        https://blog.csdn.net/hrsstudy/article/details/65447947

        

3.1 配置cfg文件
        3.1.1 复制yolov3.cfg（...\darknet-master\cfg目录下）文件并重命名为yolo-obj.cfg（或者其他名字，只要各处对应即可），复制到darknet.exe相同目录下（或者其他目录，输入命令时对应即可）。

        3.1.2 修改batch=64,subdivisions=8。

        3.1.3 修改classes和filters，共三处。如果检测两类物体，则classes=2，

                    filters=(classess+5)*3=(2+5)*3=21。

        3.1.4 上述修改具体行数参考github即可。

3.2 配置obj.name文件和obj.data文件（命名也可以为其他，只要对应即可）
        新建obj.names文件和obj.data文件，放在目录...\darknet-master\build\darknet\x64\data下。

        obj.names内容（每行一个类的名字，名字随便写，随时可以改）

        

        obj.data内容（valid是为了训练完成后测试模型效果）

        

 

3.3 准备图片和对应的标签文件
        每张图片对应一个同名txt文件，txt文件存储的是类的坐标信息（详见github），可以在官网上下载专用的软件yolo_mark标记，放在目录...\darknet-master\build\darknet\x64\data\obj下。
        
       

         txt文件内容

        标记标签的软件界面：

        

        

3.4 准备存储图片路径的文件
      新建train.txt文件（名字要和obj.data中对应）放在目录...\darknet-master\build\darknet\x64\data下（命名和路径与obj.data中对应）存储的数据为训练的图片相对于darknet.exe的位置，每行一条数据。
                

3.5 准备预训练的模型
        在github下载darknet53.conv.74后放在目录...\darknet-master\build\darknet\x64下即可。

3.6 训练过程
       3.6.1  训练命令（需要首先进入darknet.exe同一目录）：

   darknet.exe detector train data/obj.data yolo-obj.cfg darknet53.conv.74

    默认显示avg loss的图像，添加-dont_show则不显示
   

 darknet.exe detector train data/obj.data yolo-obj.cfg darknet53.conv.74 -dont_show

       命令解释：

        darknet.exe detector train:表示训练（train改为test为测试）
        data/obj.data:data文件的路径
        yolo-obj.cfg：cfg文件的路径
        darknet53.conv.74：使用的预模型路径

        3.6.2 可能出现的错误情况：

        可能出现内存不足的情况，解决：
        修改cfg文件：
        修改subdivisions为16或32或64；
        如果依旧不足，修改三个[yolo]（修改classes的那个地方）下的random，修改为0（含义 ：关闭多尺度训练）

        3.6.3 训练界面

        

        3.6.4 训练历程与部分参数解释

        每迭代100次会存储一个模型，avg loss是一个错误率的指标，越低越好，刚开始会很大，下降也很快，最终降到0.***，每个类一般迭代2000次，所以实训项目需要4000次。使用GTX 950m，大约每100次迭代耗时70分钟。

        Region xx: cfg文件中yolo-layer的索引；
        Avg IOU:当前迭代中，预测的box与标注的box的平均交并比，越大越好，期望数值为1；
        Class: 标注物体的分类准确率，越大越好，期望数值为1；
        obj: 越大越好，期望数值为1；
        No obj: 越小越好；
        .5R: 以IOU=0.5为阈值时候的recall; recall = 检出的正样本/实际的正样本
        0.75R: 以IOU=0.75为阈值时候的recall;

        count:正样本数目。

        3.6.5 直观地查看训练结果（输出图片）

  darknet.exe detector test data/obj.data yolo-obj.cfg yolo-obj_8000.weights

        yolo-obj_8000.weights：查看的模型的路径。
        输入后会提示输入图片路径，输入即可。

        3.6.6 中断后在之前的基础上继续训练：

darknet.exe detector train data/obj.data yolo-obj.cfg yolo-obj_2000.weights

       yolo-obj_2000.weights：之前的模型路径。

        3.6.7 查看模型精确效果（输出数据）

        按照准备训练数据的方法准备测试数据（图片与对应标签，存储图片路径的文件）；
        修改data文件的valid；
        使用如下命令测试：

darknet.exe detector map data/obj.data yolo-obj.cfg backup\yolo-obj_7000.weights

        backup\yolo-obj_7000.weights：测试的模型的路径（相对于darknet.exe）。
        界面：

        

        由于可能出现过拟合的情况，所以最好的模型不一定在后边，

        可以多测试几组，选择一个性能较好的模型。

        3.6.8 训练结果展示

        迭代100次、400次、800次效果

        迭代1200次、1600次、2300次效果