训练自己的数据_YOLOv3训练自己的数据集(以口罩检测数据集为例)

下载并格式化数据集

下载数据集

口罩检测数据集下载:3wye

原始数据集的结构

JPEGImages文件夹中存放着数据集的所有图片

labels文件夹中存放着许多.txt文件，文件名和图片的文件名一一对应，也就是一张图片对应一个txt文件。

txt文件的内容如下

从左到右依次是class, x_center, y_center, box_width, box_height

x, y, w, h都是归一化后的(0~1)。

Annotations文件夹中是许多.xml文件，也和图片一一对应，.xml中记录了更详细的标注信息，除了边界框的长宽和左上右下角点坐标，还有标注日期等其他信息。

ImageSets/Main文件夹中有train.txt和val.txt

这两个文件中分别逐行列出了训练集和验证集的文件名称(不带后缀名)，便于训练时进行索引。

理解符合YOLOv3(仅指此Github模型)要求的数据集结构

符合YOLOv3要求的数据集主要包含5个部分:

①存放图片和每张图片对应的txt文件的文件夹

②写有每张图片路径的索引文件(训练集和验证集各一个)

③为每个class指定名字的.names文件

④写有class总数、训练集索引文件路径、验证集索引文件路径、.names索引文件路径的.data文件

⑤定义网络结构的.cfg文件(因为class总数变了，普通的yolov3是80 classes。所以网络会有稍微不同，只需要在默认cfg文件稍加改动即可)

①存放图片和每张图片对应的txt文件的文件夹

图片放在images文件夹中，txt文件放在labels文件夹中。

这两个文件夹必须是平行关系。

训练集和验证集可以混放在一个文件夹下，即以下两种结构都可以。因为即便训练集和验证集混在一起，根据②中的两个索引文件也能区分开。

②写有每张图片路径的索引文件

每一行一个地址，注意是填写相对地址，相对train.py的地址。

只需要写图片的地址，因为标注文件在与images文件夹平行的labels文件夹中，程序在寻找相应的标注文件时会把xxx/images/xxxx.jpg替换为xxx/labels/xxxx.txt

③为每个class指定名字的.names文件

每行对应一个类别，第一行就是class=0时的名字，第二行就是class=1的名字，因为这是二分类(戴与不戴)，所以两行就行，也可以只用一个类别即(num_classes=1)，区别就是前者在检测时可以同时框出戴口罩和不戴口罩的人，后者只会框出没戴口罩的人。

④写有class总数、训练集索引文件路径、验证集索引文件路径、.names索引文件路径的.data文件

格式如下

classes=
train=
valid=
names=

这里的路径也是相对train.py而言的。

⑤定义网络结构的.cfg文件

可以复制yolov3/cfg/yolov3-spp.cfg，在其副本上进行修改。

将classes=80的三处修改为classes=2

将filters=255的三处修改为filters=21 ([5 + 2] * 3)

注意不要只搜索filters，要搜索filters=255，因为我们只需要修改Darknet那三个分支最后一个卷积层的filter数量，其它层的filter数量不要变，否则加载预训练权重会出错。

可以给新的cfg文件改名为yolov3-spp-2cls.cfg，以后遇到classes=2的数据集直接拿出来用。

而且cfg文件夹中已经自带yolov3-spp-1cls.cfg，yolov3-spp-3cls.cfg等。

将各个部分放在对应位置上

将mask文件夹(包含images文件夹和labels文件夹)放在你②中索引文件写的路径上。

将索引文件mask_train.txt、mask_val.txt以及命名文件mask.names放在你④中写的路径上。

将mask.data放在data文件夹中(其实可以随便放，启动训练的时候会指定路径，不过尽量统一一些)

yolov3-spp-2cls.cfg放在cfg文件夹中(这个不能随便放)

开始训练

cd yolov3python train.py --data data/mask.data --cfg yolov3-spp-2cls.cfg --batch-size 12

默认使用预训练权重yolov3-spp-ultralytics.pt进行训练。

每个EPOCH会自动把权重保存在weights/last.pt

并且会把mAP最高的一次EPOCH保存在weights/best.pt

如果训练中断，可以使用以下命令加载last.pt继续训练

python3 train.py --resume

或者使用以下命令使用best.pt继续训练

python train.py --data data/mask.data --cfg yolov3-spp-2cls.cfg --batch-size 12 --weights weights/best.pt

可视化

官方提供了两种方式，一种是tensorboard，另一种是官方自己写的。

1.tensorboard可视化

在yolov3目录下开启tensorboard可视化(需要先安装tensorboard)

pip install tensorboard  #如果没安装tensorboardcd yolov3tensorboard --logdir=runs

浏览器访问localhost:6006查看

2.utils.plot_results()

在yolov3目录下新建一个jupyter notebook，执行以下代码。

from utils import utilsutils.plot_results()

左半部分(下降趋势)是损失，右半部分(上升趋势)是准确率。

GIoU、Objectness、Classification分别代表坐标损失、score损失、分类损失

Precision、Recall、F1、mAP@0.5分别代表准确率、召回率、F1-score、平均精度损失(iou-threshold=0.5)

推理

训练好以后，可以使用训练好的模型进行推理。

python detect.py --names data/mask.names --cfg yolov3-spp-2cls.cfg --weights weights/best.pt --source ...

• Image: --source file.jpg

• Video: --source file.mp4

• Directory: --source dir/

• Webcam: --source 0

• RTSP stream: --source rtsp://170.93.143.139/rtplive/470011e600ef003a004ee33696235daa

• HTTP stream: --source http://112.50.243.8/PLTV/88888888/224/3221225900/1.m3u8

效果演示