3—YOLO：训练自己的数据

YOLO: Real-Time Object Detection：https://pjreddie.com/darknet/yolo/

YOLO模型训练可视化训练过程中的中间参数：http://blog.csdn.net/yudiemiaomiao/article/details/72469135

——————————————————————

一.制作数据集

1.数据集准备
（1）将数据集VOCdevkit2007拷贝到darknet\scripts下 （2）VOCdevkit2007修改名称为VOCdevkit

2.修改darknet\scripts\voc_label.py
sets=[('2007', 'train'), ('2007', 'val'), ('2007', 'test')]  
classes = ["comp"] 

#os.system("cat 2007_train.txt 2007_val.txt 2012_train.txt 2012_val.txt > train.txt")
#os.system("cat 2007_train.txt 2007_val.txt 2007_test.txt 2012_train.txt 2012_val.txt > train.all.txt")

3.终端进入darknet\scripts，执行：
    python voc_label.py  
此后可以看到:
VOCdevkit\VOC2007里多了一个labels文件夹（如下）
darknet\scripts下多了2007_train.txt、2007_val.txt和2007_test.txt三个文件

二.修改配置文件

（1）修改data/voc.names文件：comp

（2）修改cfg/voc.data文件。
classes= 1 //类别数
train  = /home/gjw/darknet/scripts/train.txt  //训练集
valid  = /home/gjw/darknet/scripts/2007_test.txt  //测试集
names = data/voc.names
backup = backup  //在darknet新建一个backup目录，存储.weight

（3） 修改×××.cfg（以yolo-voc.cfg为例），修改2个参数（filters，class），见下：
① 【region】层中 classes 改成1。
② 【region】层上方第一个【convolution】层，其中的filters值要进行
修改，改成(classes+ coords+ 1)* (NUM) ，我的情况中：(1+4+1)* 5=30
③ learning_rate：学习率
④ max_batches：最大迭代次数

三.下载预训练模型

    下载好的预训练模型保存在/darknet/目录下

PS：经过以上的修改，记得重新make一下darknet

四.训练

在darknet/目录下新建backup目录用于存放训练生成的模型

官网上下载预训练的模型，训练命令：
    ./darknet detector train cfg/voc.data cfg/yolo-voc.cfg darknet19_448.conv.23

     ./darknet detector train cfg/voc.data cfg/yolo-voc.cfg  yolo-voc.weights

【结果】训练完毕就可以生成weights文件
Saving weights to backup/yolo-voc.backup
Saving weights to backup/yolo-voc_100.weights
Saving weights to backup/yolo-voc_final.weights

五.评估性能http://blog.csdn.net/hysteric314/article/details/54093734

    经过漫长的训练过程，model终于训练好了，为了评估性能，可以使用以下指令 
./darknet detector recall cfg/voc.data cfg/yolo_voc.cfg backup/yolo_voc_final.weights

需要注意的是，在使用这个指令之前，我先修改一下src/detector.c 这一函数
（1）位置第375行改成：list *plist = get_paths(“/home/yolo_v2_tinydarknet/darknet/infrared/infrared_val.txt”);//改成infrared_val.txt的完整路径
（2）运行上面的指令会调用validate_detector_recall函数，
这个函数中有个参数thresh（阈值），默认的值是.001，这个默认
值设的很小，会让系统识别出更多的框来，导致proposals值激增，
还会让recall值变高，达到98.5%。最终我改成了 .25。
（3）上面的函数只会显示出recall值，没有precision值，precision的
值计算方法是：识别为正确的个数/画了多少个框，所以我修改了代码。
我把第447行显示结果的代码修改为 ：
fprintf(stderr, "ID:%5d Correct:%5d Total:%5d\tRPs/Img: %.2f\tIOU: %.2f%%\tRecall:%.2f%%\t", i, correct, total, (float)proposals/(i+1), avg_iou*100/total, 100.*correct/total);
fprintf(stderr, "proposals:%5d\tPrecision:%.2f%%\n",proposals,100.*correct/(float)proposals); 

运行后显示的结果是： 
Correct ：可以理解为正确地画了多少个框，遍历每张图片的Ground Truth，网络会预测出很多的框，对每一Groud Truth框与所有预测出的框计算IoU，在所有IoU中找一个最大值，如果最大值超过一个预设的阈值，则correct加一。

Total：一共有多少个Groud Truth框。

Rps/img：p 代表proposals， r 代表region。 意思就是平均下来每个图片会有预测出多少个框。预测框的决定条件是，预测某一类的概率大于阈值。在validation_yolo_recall函数中，默认的这一个阈值是0.001，这一阈值设置的比较低，这就会导致会预测出很多个框，但是这样做是可以提升recall的值，一般yolo用于画框的默认值是.25，使用这个阈值会让画出来的框比较准确。而validation_yolo_recall使用的阈值改成。25的时候，Rps/img 值会降低，recall的值会降低，所以validation_yolo_recall默认使用一个较低的阈值，有可能作者的目的就是为了提高recall值，想在某种程度上体现网络的识别精度比较高。

IoU、Recall、Precision：解释起来比较麻烦，请看博客有详细说明： 
http://blog.csdn.net/hysteric314/article/details/54093734

六.测试单张图像

    ./darknet detector test cfg/voc.data cfg/yolo-voc.cfg backup/yolo-voc_final.weights data/000020.jpg

[扩展]
    可以通过-thresh 0设置所有检测的阈值为0，同理，也可以通
过设置不同的阈值进行检测。
    ./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg -thresh 0

七.测试摄像头/视频

./darknet detector demo cfg/coco.data cfg/yolo.cfg yolo.weights

./darknet detector demo cfg/coco.data cfg/yolo.cfg yolo.weights 

http://blog.csdn.net/burning_keyboard/article/details/71056164

http://blog.csdn.net/xjz18298268521/article/details/61922405

http://blog.csdn.net/sinat_30071459/article/details/53100791

http://blog.csdn.net/sinat_30071459/article/details/53161113