Yolov3测试自己的数据集的步骤和遇到的一些bug

1用自己做的数据集（大概九张图片）用labelme类似于一个小程序，对图片上的信息进行标注，得到类似下图所示，标注好类别，保存得到.json文件。

2.写好所需的配置文件

在config中的creat_custom_model.sh利用git bash 软件（类似于一个cmd窗口）中输入bash creat_custom_model.sh 2(2是我这个自己制作的数据中的分类)（线用九张标注好的图片分为两类 Person,Cat） 会自动生成yolov3-custom.cfg配置文件

3.标签格式的转化

在labelme中生成的label(如果是矩形框的话应该是坐上角的（x1,y1）和右下角的（x2,y2)但是yolov3中需要的label应该是（中心点的x值，中心点的y值，矩形的长，矩形的宽）

利用json2yolo.py脚本将进行坐标转化

需要改动的地方：

①#在labelme中的标注的信息

name2id = {'Person':0,'Cat':1}

Name2id中改为自己数据集中的分类

②def decode_json(json_floder_path,json_name):

     #转换好的标签存放的绝对路径

    txt_name = 'F:\\YOlov3\\PyTorch-YOLOv3\\data\\custom\\labels\\' + json_name[0:-5] + '.txt'

    txt_file = open(txt_name, 'w')

Decode_json中设置一个转换好的标签应该存放的位置

③if __name__ == "__main__":

    #读取labelme标注生成的json文件的绝对路径

    json_floder_path = 'F:\\YOlov3\\PyTorch-YOLOv3\\label_test'

    json_names = os.listdir(json_floder_path)

主函数中将lanelme生成的.json文件读取进来

4.将数据（标注的图片放入相应的位置）注意名字和label里要一致

保存的位置在F:\YOlov3\PyTorch-YOLOv3\data\custom\images

将F:\YOlov3\PyTorch-YOLOv3\data\custom\classes.names

将这里改成类别名

更改config文件夹中的custom.data中的类别信息classes=2

5.在F:\YOlov3\PyTorch-YOLOv3\data\custom\train.txt

F:\YOlov3\PyTorch-YOLOv3\data\custom\val.txt中写好路径（可能会引起改动，看yolov3的datasets.py中是什么格式读取的，注意debug）

6.训练代码更改配置

1.train.py需要设置的参数

–model_def config/yolov3-custom.cfg

–data_config config/custom.data

–pretrained_weights weights/darknet53.conv.74 #看你想不想在人家基础上去做

7.预测操作

在detect.py中进行配置文件操作

–model_def config/yolov3-custom.cfg

–image_folder data/samples/ #把需要预测的数据放到这里

–checkpoint_model checkpoints/yolov3_ckpt_100.pth #训练好模型的路径

–class_path data/custom/classes.names #画图时候要把框上显示出来name

在预测时报错

出现classes[int(cls_pred)] list index out of range

经过检查发现 代码在训练是的确得到的是2分类的结果，但是在预测时却仍然用的是yolov3中80分类的结果，也就是加载模型出现了问题

将代码做了如下的改动：

① 将weight_path和checkpoint_model的默认改为空值

②

将原本的if_else语句 上图下方的框中的代码 改成上方的框中的代码（成功预测）

挑几张展示：（可以看到 效果并不是很好（甚至有的图片都没有检测框的） ）

下面用yolov已经训练好的权重进行测试weights/yolov3.weights

得到结果（即直接在配置文件中输入–image_folder data/samples/ 不做其他更改）（效果还不错）

接在配置文件中输入–image_folder data/samples/ 不做其他更改）（效果还不错）