yolov2测试和训练自己样本 过程详细介绍 模型权重文件

模型:https://github.com/AlexeyAB/darknet

测试

1.对COCO-model - image测试：
把测试图片放在x64文件夹下，并在此目录下打开cmd,

darknet.exe detector test data/coco.data yolo.cfg yolo.weights -i 0 -thresh 0.2

输入图片名：

得到检测效果：

2.测试视频：
步骤同上，改cmd命令：

darknet.exe detector demo data/coco.data yolo.cfg yolo.weights test.mp4 -i 0

训练自己样本

首先看训练所用的命令，来明确训练前需要做什么工作：

darknet.exe detector train data/obj.data yolo-obj.cfg darknet19_448.conv.23

共五个参数：
argv【0】:detector
argv【1】:train 表示训练
argv【2】:data/obj.data data文件夹下的.data文件，格式如下：

主要内容是说明类数，
.names文件用来说明类名，自己改；
train.txt是训练图片的名称（用给的标定程序可以生成，不用管）
argv【3】:yolo-obj.cfg 网络结构
argv【4】:darknet19_448.conv.23 迁移学习用的初始前23层的权重

可以看到，需要：
obj.data（需更改，类数）
obj.name（需更改，类名）
train.txt（需更改，图片位置）
yolo-obj.cfg(需更改，根据类数改最后一层的filters）
darknet19_448.conv.23（要下载）

步骤：

1.准备数据，标签做成如下格式：
object-class x y width height
可以直接用标定程序做。
标定程序下载：https://github.com/AlexeyAB/Yolo_mark

2.yolo-obj.cfg:

Create file yolo-obj.cfg with the same content as 
in yolo-voc.2.0.cfg (or copy yolo-voc.2.0.cfg to yolo-obj.cfg) 
and:
change line batch to batch=64
change line subdivisions to subdivisions=8
change line classes=20 to your number of objects
change line #237 from filters=125 to: filters=(classes + 5)x5,
 so if classes=2 then should be filters=35. 
filters=(classes + 5)x5.

3.
obj.data（需更改，类数）
obj.name（需更改，类名）
4.
darknet19_448.conv.23（要下载）放在x64下