Win10下用pytorch-yolov3训练自己的数据集（一）

先声明自己电脑配置

win10 ；显卡型号：GeForce GTX 960 ；显存：2G

看了很多博客大部分博主都说显存至少4G才可以跑，我的是2G，目前也可以跑，可能是数据集比较少只有二十几张图片，而且需要改一些参数，后面会来介绍。

代码链接：https://github.com/ultralytics/yolov3

环境（划重点，一定要按代码里边要求的版本）

我的环境：

pytorch1.5.0 、pycocotools、vs2017（v140一定要勾上）等等

1. 其他的都是利用anaconda自动装的，anaconda会自动匹配合适的版本，或者跑程序会提示你少了哪些包
2. pycocotools很难装，参考这位博主的解决办法，亲测有用
3. pytorch一定要>=1.4.0，我就是装了1.1.0和1.2.0结果报错，最后只能重新装，而且安装过程比较曲折，安装了无数次才装好，如果你装不好，就多试几次
4. 在没有安装vs2017之前报错，具体报错内容我忘记了，但是百度之后说是需要vs2017，vs2017安装需要注意下面箭头部分，一定要勾选
   

有一点还不太懂：

我自己电脑CUDA10.0版本，但是pytorch1.5.0对应的CUDA版本应该是10.1，在用conda install pytorch=1.5.0时，会自动下载一个cudatoolkit 10.1.243，然后也就可以用了，不用我自己再给电脑重新再装CUDA10.1

接下来就是下载代码，框图等等一系列

1.准备自己的数据集，用labelimg框图，这个可以自行百度，有很多介绍这个的，但是有一点需要注意的就是，框图之前先给数据集规范下名称代码如下：

import os
#使用python规范化图片名称

class BatchRename():

    # 定义函数执行图片的路径
    def __init__(self):
        self.path = 'D:/image/1'  # 修改为自己的图片路径

    # 定义函数实现重命名操作
    def rename(self):
        filelist = os.listdir(self.path)
        total_num = len(filelist)
        i = 0
        for item in filelist:
            if item.endswith('.jpg'):
                src = os.path.join(os.path.abspath(self.path), item)
                dst = os.path.join(os.path.abspath(self.path), str(i).zfill(6) + '.jpg')
                try:
                    os.rename(src, dst)
                    print('converting %s to %s ...' % (src, dst))
                    i = i + 1
                except:
                    continue
        print('total %d to rename & converted %d jpgs' % (total_num, i))


# 主函数调用
if __name__ == '__main__':
    demo = BatchRename()
    demo.rename()

2.我的数据集格式

创建自己的数据集参考这位博主的3.3–3.7步骤
3.修改cfg文件
由于我的显存比较小，所以用体量小的yolov3-tiny.cfg，主要修改了两个yolo层附近的参数，一共六处地方（已经在下边的代码中标出来了）
我的只有一类person，所以classes=1,filters=18：即3*（classes+5），单类的话classes=1，GPU显存较小，可以设置将random=0，即关闭多尺度

yolov3-tiny.cfg 修改后如下，也可直接复制

[net]
# Testing
batch=1
subdivisions=1
# Training
# batch=64
# subdivisions=2
width=416
height=416
channels=3
momentum=0.9
decay=0.0005
angle=0
saturation = 1.5
exposure = 1.5
hue=.1

learning_rate=0.001
burn_in=1000
max_batches = 500200
policy=steps
steps=400000,450000
scales=.1,.1

[convolutional]
batch_normalize=1
filters=16
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=32
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=64
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=1

[convolutional]
batch_normalize=1
filters=1024
size=3
stride=1
pad=1
activation=leaky

###########

[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky

[convolutional]
size=1
stride=1
pad=1
filters=18 #修改
activation=linear



[yolo]
mask = 3,4,5
anchors = 10,14,  23,27,  37,58,  81,82,  135,169,  344,319
classes=1 #修改
num=6
jitter=.3
ignore_thresh = .7
truth_thresh = 1
random=0 #修改

[route]
layers = -4

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[upsample]
stride=2

[route]
layers = -1, 8

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[convolutional]
size=1
stride=1
pad=1
filters=18#修改
activation=linear

[yolo]
mask = 1,2,3
anchors = 10,14,  23,27,  37,58,  81,82,  135,169,  344,319
classes=1#修改
num=6
jitter=.3
ignore_thresh = .7
truth_thresh = 1
random=0#修改

4.配置预权重
训练用的是yolov3-tiny模型，对应的就需要yolov3-tiny.conv.15
将yolov3-tiny.weights和yolov3-tiny.conv.15导入weights目录下，官网没有提供yolov3-tiny.conv.15，需要在谷歌云盘下载，我已经下载好了，提供给大家

链接：https://pan.baidu.com/s/1GdCFQ0q7Hiki179BeRDlIA 提取码：dq7w

训练模型：

使用pycharm中的Terminal，输入如下命令：

python train.py --data data/person.data --cfg cfg/yolov3-tiny.cfg --epoch 10 --batch-size 1 --weights weights/yolov3-tiny.conv.15 

其中，–epochs 10指迭代了10次，batch-size 1指每次处理1张图片。

训练结束后在weights文件夹下得到best.pt和last.pt两个文件

结果检测：

在Terminal下输入以下命令：

python detect.py --names data/person.names --cfg cfg/yolov3-tiny.cfg --weights weights/best.pt

注意：这里是--names data/person.names这样的，好多博客都是用的person.data文件，是不对的
检测的输出结果会在output文件夹中，如下，我的数据集太少迭代的次数也少，所以精度并不好

注意注意：

如果检测的结果没有框，可以修改detect.py文件夹下的这个位置

将--conf-thes的默认值改小一点，我改成了0.1，就显示出来了

模型评估与测试

在Terminal下输入以下命令：

python test.py --data data/person.data --cfg cfg/yolov3-tiny.cfg --weights weights/last.pt

可视化

python -c "from utils import utils; utils.plot_results()"

同时，文件夹的主目录下会多出一个results.png，显示了模型的可视化训练结果，由于我的数据集只有一类，所以cla没有数据。

至此，yolov3算是可以跑了，后续还要多弄些数据集再调整调整，毕竟精度太低了