darknet使用自己的数据集图像分类

最新推荐文章于 2023-02-03 11:59:50 发布

贫僧这就还俗、

最新推荐文章于 2023-02-03 11:59:50 发布

阅读量658

点赞数 1

本文链接：https://blog.csdn.net/weixin_57925958/article/details/117402581

版权

首先是数据存放的地方：

打开我们编译好的darknet文件存放我们自己的数据：

darknet-master是我编译好的darknet文件

找到data文件将自己的数据集放入（这里的是花的一个数据集）我使用

train 和 test 是我们存放我们的图片数据（展示train文件夹）：

存放的是6个类别信息

展示第一个类别信息

之后创建一个labels.txt文件存放我们的类别名称：

之后创建一个data.txt文件将

find `pwd`/train -name \*.jpg > train.list
find `pwd`/test -name \*.jpg > test.list

写入到data.txt文件中

再将data.txt 修改为data.sh （生成data.sh格式要装有Git，否则文件不可用）

点击data.sh会获取两个文件 test.list train.list 存放的是我们图片的路径（下列展示为文本打开方式）：

通过文本格式打开 test.list和train.list 将图片的路径修改将 /e/ 修改为E:\（我这里是e盘，根据不同情况修改就是自己图片的路径最好是绝对路径相对路径我没试过）：

接下来就是进入 cfg文件（跟data文件同级目录）：

cfg存放的是我们的一些网络结构和一些参数：

创建mouth.data mouth.cfg两个文件（你可以创建一个文件夹最好不要有中文，只要运行是的路径对就没问题，这里我是直接创建的）：

在通过文本方式打开 mouth.data写入：

classes=5

train = E:\darknet-master\build\darknet\x64\data\flower\train.list

valid = E:\darknet-master\build\darknet\x64\data\flower\test.list

labels = E:\darknet-master\build\darknet\x64\data\flower\labels.txt

backup = E:\darknet-master\build\darknet\x64\data\flower\

top=5

获取我们在data文件中创建 flower中的 test.list train.list labels.txt 这些文件

这里面 classes 是自己训练模型的类别个数我这里是5分类 top我忘了.....（跟classes一样一样就行了......）

backup = E:\darknet-master\build\darknet\x64\data\flower\ 是保存我们的一些数据如权重等保存到我们路径下的文件夹下（我这个保存到我放入的数据集中了）

再通过文本方式打开 mouth.cfg写入

[net]

batch=16

subdivisions=1

height=48

width=48

channels=3

max_crop=48

min_crop=48

hue=.1

saturation=.75

exposure=.75

learning_rate=0.01

policy=poly

power=4

max_batches = 5000

momentum=0.9

decay=0.0005

[convolutional]

batch_normalize=1

filters=12

size=3

stride=1

pad=1

activation=leaky

[maxpool]

size=2

stride=2

[convolutional]

batch_normalize=1

filters=24

size=1

stride=1

pad=1

activation=leaky

[maxpool]

size=2

stride=2

[convolutional]

batch_normalize=1

filters=48

size=3

stride=1

pad=1

activation=leaky

[maxpool]

size=2

stride=2

[connected]

output=128

activation=relu

[connected]

output=5

activation=linear

[softmax]