ubuntu如何训练测试python_ubuntu16.04下用keras-yolo3训练自己的数据集

1.拉取keras-yolo3项目源码

git clone https://github.com/qqwweee/keras-yolo31

2.在keras-yolo3目录下获取yolov3权重文件

wget https://pjreddie.com/media/files/yolov3.weights1

3.将权重文件转换为keras适用的h5格式

python3 convert.py yolov3.cfg yolov3.weights model_data/yolo.h51

执行这一指令一般会报错，因为其运行所需的环境没创建好，按照报错信息一步步把库安装好就可以了，注意下版本适配的问题,这是我执行的一部分安装指令。

pip3 install numpy

pip3 install keras

pip3 install tensorflow

pip3 install --user matplotlib1

2

3

4

4.根据官方权重测试图片

python3 yolo_video.py --image1

随意找一张图并输入路径：

识别情况：

要测试视频流的话用python3 yolo_video.py --input=视频流路径

5.制作自己的数据集

在keras-yolo3目录下创建文件结构如下：

其中Annotations用来存储自己的标注文件，一般用labelImg来得到voc格式的标记文件；labelImg的话用pycharm会比较好配置一点。

ImageSets用来存储index脚本生成的四个文件，JPEGImages则用来存储自己的图像数据集。

index.py如下：

import os

import random

trainval_percent = 0.1

train_percent = 0.9

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)

if not os.path.exists(txtsavepath):

print('not exist...{}'.format(txtsavepath))

os.makedirs(txtsavepath)

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()1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

6.修改yolo_archor.txt文件

运行聚类函数kmeans.py，然后把用此结果按yolo_archor.txt文件里的原格式修改即可，当然也可以不做修改：

7.修改配置文件

修改voc_annotation.py文件(将sets与自己数据集的VOC文件夹对应，classes与自己标注文件的类(我的只有box类)对应。

运行voc_annotation.py生成训练文件，将文件名都去掉2019_或者在trian.py里修改训练文件的路径为自己的训练文件的路径。

修改yolov3.cfg配置文件：

batch=1 subdivisions=1为测试模式，batch=64 subdivisions=16为训练模式。此外，还要修改：

将yolo上方的卷积核数修改为3x(1+4+自己的类数)(我这里目标只识别1类，故改为filters=18,classes=1),将anchors修改为yolo_anchors.txt文件中的值，显存小的话还可以把random改为0。最后还需要修改model_data下的voc_classes.txt文件,同样改为自己要识别的类，本人的classes文件：

接下来以配置文件生成起始权重文件：

python3 convert.py -w yolov3.cfg yolov3.weights model_data/yolo_weights.h51

8.训练自己的数据集

修改train.py:

将其与之前准备的相应文件所对应，在logs目录下新建一个000文件夹来保存训练的权重文件

其中batch_size为每次输入的数据数目,如果出现val_loss:nan报错的话可以尝试降低它或者降低学习率，epoch为迭代次数，第一次可以少迭代几次看看效果

运行train.py:

emmm结果不理想的话，程序会继续训练(参数之前改好了)：

到此为止训练就告一段落了，如果因为某些原因(我是用CPU跑的，卡死过一次，如下图)

那么在log/000/下会生成阶段性权重文件，成功跑完的话会生成最终的权重文件。

9.测试数据

将yolov3.cfg文件修改为测试模式，修改yolo.py文件中载入权重文件的路径为刚才训练好的权重文件的路径。

执行python3 yolo_video.py --image测试(注意输入正确的测试图片路径,直接从test.txt里拷贝会比较方便),这里因为某些原因，就不贴测试结果图了，总的来说效果还可以吧。

为了批量检测，我又稍微改了一下yolo_video.py的代码得到了一个detect_all.py脚本，将批量测试生成的数据存进了result文件夹下，又写了一个trans.py将批量测试得到的txt文件转换为voc格式：