使用yolov3训练自己的数据集

使用yolov3训练自己的数据集

1、给自己的数据集做标签（train_imgaes和val_images）

建议使用LabelImage给数据集标框。为了方便大家的下载，这里提供LabelIamge的可执行文件下载地址:

[百度网盘]（https://pan.baidu.com/s/1Tp4S6vJbVfld7efTtl0CXA） 提取码：aihc

解压之后里面有一个labelImage.exe，打开即可对数据集标框。

首先点击opendir，选择要打标签的数据集的路径，然后需要选着YOLO模式，这个模式把标签生成txt文件，yolov3需要的就是txt类型的文件。如果是默认的PscalVOC模式，会生成xml格式的标签。

然后点击Create RectBox标框，然后save，再下一张。

完成之后是这样的：

一个txt文件中可能有多行，这取决于你一张图片标了几个框。以dog.txt为例，

第一个数字是classes，接下来依次是x_center、 y_center、 width、height

将做好标签的的数据集train_images和val_images放到…\darknet-master\build\darknet\x64\data下

2、生成train.txt和val.txt

yolov3是根据读取设置好的txt来读取数据集的，所以接下来需要生成train.txt和val.txt。这两个文件txt每一行都是保存的一张图片的路径。放到…\darknet-master\build\darknet\x64\data下。代码如下：

#此代码和data文件夹同目录
import glob


path = 'data/'


def generate_train_and_val(image_path, txt_file):
    with open(txt_file, 'w') as tf:
        for jpg_file in glob.glob(image_path + '*.jpg'):
            tf.write(jpg_file + '\n')


generate_train_and_val(path + 'train_images/', path + 'train.txt')
generate_train_and_val(path + 'val_images/', path + 'val.txt')

3、准备类别文件

创建一个txt文本，文件放在…\darknet-master\build\darknet\x64\data，文本的每一行是一个类别，这个类别要和你之前做标签的类别对应
如图：dog的classes序列号为0，person的序列号为1…

创建好后重命名为classes.names

4、准备配置文件1（train_cfg1.data）

新建一个txt,该文件放在…\darknet-master\build\darknet\x64\data，里面包含以下内容：

classes= 2 //类别
train = data/train.txt //训练集
valid = data/val.txt //验证集
names = data/classes.names //类别名对应表
backup = backup/ //训练模型保存的路径

根据上面自己的设置修改

5、准备配置文件2（train_cfg2.cfg）

在build\darknet\x64\cfg下创建一个train_cfg2.cfg文件，里面的内容可以复制build\darknet\x64\cfg\yolov3.cfg里面的内容，然后做几处修改即可：

(1)batch=16 //过大会out of memory

​ subdivisions=16

(2)classes=2

classes是类别数，这里只有两类，所以设置为2，文件里一共有3处需要修改classes，一般大约在文件的第610、696、783行。都在[yolo]下面的classes

(3)filters=21

filters的计算公式为(classes + 5)x3，我们这里有两类，所以是(2+5)*3=21，文件里一共有3处需要修改，这里需要注意，文件里有多处filter，但我们只需要修改[yolo]层之前的[convolutional]层下面的filters，位置一般是文件的第603、696、783行，如下图:

6、下载预训练权重

百度网盘,提取码：3a6y

将这个文件放在…build\darknet\x64下

7、训练模型

打开cmd，将路径切换到build\darknet\x64下

darknet.exe detector train data/train_cfg1.data cfg/train_cfg2.cfg darknet53.conv.74

8、测试模型

打开cmd，将路径切换到build\darknet\x64下

在build\darknet\x64\backup中查看模型的名称

将train_cfg2.cfg中的batch=16 和subdivisions=16改成batch=1 和subdivisions=1

darknet.exe detector test data/train_cfg1.data cfg/train_cfg2.cfg backup/模型名称 data/test1.jpg -thresh 0.5