YOLO 2训练自己的数据记录

本教程以YOLO_v2为例，检测三种不同的剪刀。 系统：Ubuntu16.04, 基于 Darknet。

安装Darknet

darknet官网都有很详细的步骤darknet
在终端输入：

git clone https://github.com/pjreddie/darknet
cd darknet
make

数据集的准备

图片和标签

(1) 采用jpg格式的图像，在名字上最好像使用voc一样类似000001.jpg、000002.jpg 。
(2)标记信息的格式xml，命名和图片一一对应，标记内容格式与VOC中标记信息的格式类似，标注工具有labe image，某一xml中具体内容如下：

<annotation>
    <folder>Image</folder>
    <filename>0000</filename>
    <source>
        <database>Pedestrian_ultrared</database>
    </source>
    <size>
        <width>384</width>
        <height>288</height>
    </size>
    <object>
        <name>n00000001</name>
        <bndbox>
            <xmin>232</xmin>
            <xmax>248</xmax>
            <ymin>161</ymin>
            <ymax>203</ymax>
        </bndbox>
    </object>
</annotation>

2.制作标签txt文件
在准备好上述数据后按照voc数据集的结构放置图像文件。Voc的结构如下：

1.	--VOC  
2.	    --Annotations  
3.	    --ImageSets  
4.	      --Main  
5.	      --Layout  
6.	      --Segmentation  
7.	    --JPEGImages  
8.	    --SegmentationClass  
9.	    --SegmentationObject  

这里面用到的文件夹是Annotation、ImageSets 和 JPEGImages 。其中文件夹Annotation中主要存放xml文件，每一个xml对应一张图像，并且每个xml中存放的是标记的各个目标的位置和类别信息，命名与对应的原始图像一样；而 ImageSets 我们只需要用到Main文件夹，这里面存放的是一些文本文件，通常为 train.txt、test.txt 等，该文本文件里面的内容是需要用来训练或测试的图像的名字（无后缀无路径）；JPEGImages文件夹中放我们已按统一规则命名好的原始图像。在ImageSets文件夹中，新建三个空文件夹Layout、Main、Segmentation，然后把写了训练或测试的图像的名字的文本拷到Main文件夹下。
在制作标签txt 前需要得到所有图片的命名文本，一张图片的名字为一行，且训练集和验证集（train.txt,test.txt）分为两个文本文件，放在上述的Main文件夹下，形如：


生成标签 txt 可以参考官网提供的 voc_label.py

如上图：第10行修改为你的类别名，26行为.xml文件的路径，27行为保存标签txt的路径，52行为上述图片命名（Main）的路径，56行为图片的路径。运行voc_label.py,最后会得到每张图片的标签的信息文件和图片的路径文件（生成train.txt和test.txt,文本中保存的为每张图片的路径,且train.txt 和test.txt 保存在和Annotation、ImageSets、JPEGImages同一级目录下）。如下图：

labels文件夹中为每张图片的标签信息:
每个txt中保存的是该图片的标签信息: 类别、x、y、w、h 。
画风如下：

生成的train.txt和test.txt中是每张图片的路径，应该是这样的：

上述都准备好了，就代表我们的数据集准备工作完成了。核对一下有哪些内容：图片.jpg、标签.xml、每张图片的标签.txt、图片路径（train.txt、test.txt）,并保证他们在对应的文件夹下。

修改配置文件

接下来就可以根据不同的网络设置（cfg文件）来训练了。在文件夹cfg中有很多.cfg文件，应该跟caffe中的prototxt文件是一个意思。这里以yolo_v2.cfg为例，我们修改名字my_yolov2.cfg。主要修改参数如下：
（1）.cfg中：
网络层的最后一个卷积层（region上）中的filters需要修改，计算公式是自己数据的类别数：
filters=num×（classes + coords + 1）=5×（1+4+1）=40(我这里是3类，coords设定好的是4)

（2）接下来修改data文件下的voc.names。打开voc.names文件可以看到有20类的名称，我们只有3类。修改成我们的类别名称,一类一行。注意：这里类别的顺序要和之前voc_label.py第10行修改类别名的顺序保持一致。

（3）修改cfg文件夹下的voc.data

1.	classes= 1  //类别数  
2.	train  = /home/xm/darknet/dataset/train.txt  //训练样本的绝对路径文件，也就是上文通过voc_label.py生成的 train.txt
3.	valid  = /home/xm/darknet/dataset /test.txt  // 验证样本的绝对路径文件，也就是上文通过voc_label.py生成的 test.txt
4.	names = data/voc.names  //上一步修改的voc.names文件  
5.	backup = backup//指示训练后生成的权重放在哪

（4）修改example/darknet.c文件的第440行，将“cfg/coco.data”改为“cfg/voc.data”，如下

这一步如果不修改，最后执行darknet命令去检测的时候，得到的BoundingBox显示的类名会跟实际检测到的物体“风马牛不相及”。

(5)如果需要调用gpu、opencv则在Makefile文件中修改:

上述修改并保存后，在终端输入make clean 结束后再输入make,make 结束不报错就可以进行训练了。
(6)如果想修改迭代次数等修改.cfg 文件中的 max_batches。其他参数可以在网上查找yolo源码解析。

训练

训练命令为:

./darknet detector train cfg/my_voc.data cfg/ my_yolov2.cfg

也可以在官网上找到一些预训练的模型作为参数初始值，下载预训练模型放在darknet文件夹下，这里使用的是官网的预训练模型darknet19_448.conv.23做初始化，则训练命令为:

./darknet detector train cfg/my_voc.data cfg/ my_yolov2.cfg  darknet19_448.conv.23 

训练好的模型存放在darknet /backup文件中。
注：如果训练中出现学习率为一直为0时，修改.cfg中的burn_in参数，训练数据少的话，可以改小。训练时一开始的损失很大，这个是正常的。

测试

在终端输入:

./darknet detect cfg/my_yolov2.cfg backup/my_yolov2_final.weights data/2.jpg

结果：