YOLOv3-Pytorch版本自己学习及训练数据的记录！

参考教程及程序来源

根据此博主的教程实现了一下：https://blog.csdn.net/sinat_27634939/article/details/89884011?spm=1001.2014.3001.5506
主要是复现使用了yolov3.weights的80类检测、博主提到的细胞数据集进行自己训练。

使用的是Pytorch版本，github来源：
https://github.com/ultralytics/yolov3
这个版本已经是采用.yaml作为配置文件的（也就是.cfg,.names,.data不采用了），那个博主的教程还是用的cfg文件，现在github作者已经更新了代码，.yaml和YOLOv5的程序好像是一样的，好像只要改一下配置网络和权重其他都差不多？等一会把Yolov5也跑一下
.cfg版本的可以在历史版本里下吧，我好像下过一个，忘了是不是这个作者的

环境

1. GPU独显4G，CUDA11.2，cdnn查对应匹配的版本
2. Anaconda Win10 python==3.6
3. Pytorch torch-1.8.0+cu111-cp36-cp36m-win_amd64,torchvision-0.9.0+cu111-cp36-cp36m-win_amd64 （建议下好whl文件本地pip install，并且在之前先下requirement.txt里的包，不然还是下载很慢会断）
4. 剩下的下完程序 把程序里requirement.txt里面的都下好

简单记录一下过程

对数据集和标签各创文件夹，用makeTX.py和voc_label.py（如教程）

和一开始贴的教程里面一样就行，我程序稍微改动了一点（好像是因为我这边报错），码一下我自己的：（我直接放在项目目录下面）

# voc_label.py
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join

sets = ['train', 'test', 'val']  #

classes = ["RBC"]  #


def convert(size, box):
    dw = 1. / size[0]
    dh = 1. / size[1]
    x = (box[0] + box[1]) / 2.0
    y = (box[2] + box[3]) / 2.0
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return (x, y, w, h)


def convert_annotation(image_id):
    in_file = open('data/Annotations/%s.xml' % (image_id))
    out_file = open