（五）YOLO-V3核心源码讲解（1）

        当当当当！看了不少理论知识啦，相信大家都有些倦了，现在我们正式来学习YOLO系列的源码~~😎（环境配置：pytorch+python3.7.6  其他依赖包按需安装即可）

        第一部分我们先了解数据的准备和读取！

---

1.数据与环境配置

images和labels分别为图像数据集和标签，各自被分为训练集和测试集

trainvalno5k.txt和5k.txt中存储的分别是训练集和测试集所有数据的文件路径

 .cfg是网络的所有配置，包括网络的参数等等

---

2.参数配置与训练流程

①参数配置

        在train.py中，已经将大部分的参数设置好了，需要大家在自己的IDE中配置自己的数据集以及预训练模型的参数。我这里使用的是coco数据集，配置语句如下（coco.data中包含数据集的分类、路径等参数）

--data_config config/coco.data  
--pretrained_weights weights/darknet53.conv.74

如果不知道如何在pycharm添加配置的同学
参考 https://blog.csdn.net/qq_42712462/article/details/113833737

 ②构建训练模型 

        在读取完配置参数后，根据模型的参数，对Darknet网络进行构建，并进行参数初始化

③加载预训练模型与数据

④开始训练

        根据定义的epoch数量进行训练，每个epoch从生成器中取出一部分数据

以上是训练的大致流程，接下来说一些细节 

---

3.数据与标签的读取与处理

 dataset.py中，__getitem__函数负责对数据和标签进行读取和处理 

①数据集路径的读取（需要改为自己的）

②将图像转为RGB格式，因为使用的是pytorch框架，所以转为Tersor类型存储

 ③对图片的大小做调整，填充边框

        由于图像的尺寸比例不能控制，我们在训练时读取数据为416*416大小，所以需要将图像的长宽比设置为1：1，将较窄的两边做填充处理

 ④读取标签并处理

        这里需要提到一下标签的格式，如下图，每一行代表一个标注框，五个数字分别为分类编号以及 (x, y, w, h)，即标注框的中心点以及尺寸

注：如果数据量比较小，可以考虑在这里加一些数据增强的操作（数据增强就是对原有的数据进行翻转等操作，对数据集扩充），具体代码还没了解过，以后可以试一下

⑤读取标签并处理

        最终取够一个batch的数据后，返回参数给train.py的训练模块