(pytorch)yolov3训练自己的模型

写博客仅仅是为了记录自己的实验过程，详细过程建议参见以下两位博主的博客。
参考博文：
YOLOV3训练自己的数据集（PyTorch版本）
Pytorch 版YOLOV3训练自己的数据集
1.环境配置

git clone https://github.com/ultralytics/yolov3.git

并根据 requirements.txt 下载需要的依赖文件。

2.yolo
使用pytorch框架，yolo代码在https://github.com/ultralytics/yolov3下载。

将Annotations和JPEGImages放到data目录下，新建ImageSets又来存放和labels。将JPEGImages复制重命名为images。
图片标注不会的可以看一下labelImg使用。

3.makeTxt.py

在根目录下新建makeTxt.py

import os
import random
 
trainval_percent = 0.1
train_percent = 0.9
xmlfilepath = 'data/Annotations' # xml文件
txtsavepath = 'data/ImageSets' # 生成的训练集，测试集，验证集位置
total_xml = os.listdir(xmlfilepath)
 
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
 
ftrainval = open('data/ImageSets/trainval.txt', 'w')  
ftest = open('data/ImageSets/test.txt', 'w')    # 生成测试集
ftrain = open('data/ImageSets/train.txt', 'w')  # 生成训练集
fval = open('data/ImageSets/val.txt', 'w')     # 生成验证集
 
for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftest.write(name)
        else:
            fval.write(name)
    else:
        ftrain.write(name)
 
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

4.voc_label.py
在根目录下新建voc_label.py，得到labels的具体内容以及data目录下的train.txt，test.txt，val.txt，这里的train.txt与之前的区别在于，不仅仅得到文件名，还有文件的具体路径。voc_label.py的代码如下

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
 
sets = ['train', 'test','val']
 
classes = ['dog'，'person']  #填写类别的名字，与后面data/voc.names相同
 
 
def convert(size, box):
    dw = 1. / size[0]
    dh = 1. / size[1]
    x = (box[0] + box[1]) / 2.0
    y = (box[2] + box[3]) / 2.0
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return (x, y, w, h)
 
 
def convert_annotation(image_id):
    in_file = open('data/Annotations/%s.xml' % (image_id))
    out_file = open('data/labels/%s.txt' % (image_id), 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)
 
    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
             float(xmlbox.find('ymax').text))
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
 
 
wd = getcwd()
print(wd)
for image_set in sets:
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
    list_file = open('data/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write('data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

有时会出现labels有××××××.txt，但里面没有内容，可以查看一下文件目录是否正确。

5.配置文件
在data目录下新建voc.data和voc.names
voc.data内容

    classes=1
    train=data/train.txt
    valid=data/test.txt
    names=data/voc.names
    backup=backup/

voc.names内容

dog
person

网络参数配置
本次使用的是yolov3-tiny.cfg
需要修改两部分

1. 将testing 的batch和subdivisions注释掉，并将training 的batch和subdivisions去掉注释
2. yolo的类别个数和yolo上一层convolutional中filters的个数。一共有两处修改，从后向前找。
   部分代码如下：

[net]
# Testing
# batch=1
# subdivisions=1
Training
batch=64
# subdivisions=2
...
[convolutional]
size=1
stride=1
pad=1
filters=21
activation=linear
[yolo]
mask = 3,4,5
anchors = 10,14,  23,27,  37,58,  81,82,  135,169,  344,319
classes=2
num=6
jitter=.3
ignore_thresh = .7
truth_thresh = 1
random=1
 
[route]
layers = -4
 
[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky
 
[upsample]
stride=2
 
[route]
layers = -1, 8
 
[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky
 
[convolutional]
size=1
stride=1
pad=1
filters=21 #3*(class +5)
activation=linear
 
[yolo]
mask = 0,1,2
anchors = 10,14,  23,27,  37,58,  81,82,  135,169,  344,319
classes=2
num=6
jitter=.3
ignore_thresh = .7
truth_thresh = 1
random=1

权重参数
使用 yolov3-tiny.weights，下载地址https://pjreddie.com/media/files/yolov3-tiny.weights，需要对yolov3-tiny.weights进行改造，因而需要下载官网的代码https://github.com/pjreddie/darknet，运行一下脚本，并将得到的yolov3-tiny.conv.15导入weights目录下，脚本如下

./darknet partial cfg/yolov3-tiny.cfg yolov3-tiny.weights yolov3-tiny.conv.15 15

6.训练
打开终端

python train.py --data data/rbc.data --cfg cfg/yolov3-tiny.cfg --epochs 10

未完…