YOLOv3训练自己的数据(GPU版本)

1、下载工程

两种方式：

1.1 通过git克隆

    git clone https://github.com/pjreddie/darknet.git

1.2 到GitHub上直接下载

    有时候服务器上内网限制，克隆不下来，不知道原因是啥，有可能是公司内网限制了，本人通过这种方式下载的工程

    https://github.com/pjreddie/darknet

2、编译工程

    解压工程

    改配置文件：

    我想要GPU支持的版本，所以在编译工程前需要先修改Makefile文件，根据自己需求改，GPU版本的将GPU=1，CUDNN = 1, OPENCV=1,我的OPENCV是设成0的，因为我的环境没有opencv。

CPU版本的设置成GPU=0

编译：    

cd darknet-master/

make

如果遇到缺失包报错，将缺失的包装上去以后重新编译,重复下列两个操作，直到所有包都装好，

make clean

make

 最终成功的信号，编译后出现下列信息（从官网上复制的，我自己的界面没保存下来）

 

mkdir -p obj
gcc -I/usr/local/cuda/include/  -Wall -Wfatal-errors  -Ofast....
gcc -I/usr/local/cuda/include/  -Wall -Wfatal-errors  -Ofast....
gcc -I/usr/local/cuda/include/  -Wall -Wfatal-errors  -Ofast....
.....
gcc -I/usr/local/cuda/include/  -Wall -Wfatal-errors  -Ofast -lm.... 

3、准备数据

第一步：labels制作

    yolov2的数据分为两部分：labels 文件夹和图片文件夹，labels里存放的是对应图片的目标信息，一张图片对应一个.txt目标信息文件。labels文件夹和图片文件夹必须放在同一目录下。

    但是我发现yolov3好像略有不同，每张图片的labels文件必须和图片放在同一目录下。像下图这样。（至少我是只有这样存放才成功跑起来，还有没有其他办法不确定）

   标注文件.txt里的数据格式是这样的：

具体的每一个值的计算方式是这样的：假设一个标注的boundingbox的左下角和右上角坐标分别为（x1,y1）(x2,y2)，图像的宽和高分别为w,h

 

归一化的中心点x坐标计算公式：（(x2+x1) / 2.0）/ w

归一化的中心点y坐标计算公式：（(y2+y1) / 2.0）/ h

归一化的目标框宽度的计算公式： (x2-x1) / w

归一化的目标框高度计算公式：（(y2-y1)/ h

如果图片的高度、宽度未知，可以通过cv2读取。

 

imginfo = cv2.imread(img_dir + img_name + '.jpg').shape

imginfo里存的是图像的[h, w,通道数] ，这一需要注意imginfo结果里的顺序

 

第二步：

划分训练数据和测试数据：

我将标注数据集里的80%作为训练数据集，20%作为验证数据集

分别将它们的图片的路径存放到train.txt和val.txt文件中,这两个文件的路径没有严格要求，放在任意自己觉得舒服的位置，后面在工程的.data文件中指定这两个文件的路径就好。

里面的格式如下所示，每行存放一张图片的绝对路径，为了安全可见，我图片的绝对路径中间一部分我马赛克了

 

4、编辑cfg/XX.data 文件（XX按自己的需求自取名字），在训练时工程来这个文件中找到训练数据和验证数据的路径

 

classes= 1
train  = /train.txt
valid  = 2007_test.txt
names = data/voc.names
backup = backup

classes:类别数

train:前面说的训练数据train.txt的路径

valid:前面说的验证数据val.txt的路径

names:指向存放类别名的文件，自己训练数据的类别名就放到这个指定的文件中，自己新建一个.names文件，一行放一个类名

backu：模型存放的路径

 

5、更改模型的参数配置文件

    如果是训练模型需要修改下列这些地方：

    1）把Training的参数设置打开，Testing的参数设置关闭

                                                                                                                               

   2）改所有yolo层前一层filters大小，即最后一层卷积层，计算公式在论文中有提到过，N为卷积核的size（不确定），3是mask的参数，4表示四个参数（预测boundingbox的：x,y,w,h）,1表示置信度

我有一个类别，size为1，所以：1*1*[3*(4+1+1)]=18

 

3)改yolo层的classes数

2）、3）总的需要改3的地方

5、跑模型

我认为应该像这样启动训练过程，但是报错

 ./darknet detector train cfg/dog.data cfg/dog.cfg backup/dog.backup -gpu 0

只有不指定模型存放路径和模型名字才不报错，能跑起来，

./darknet detector train cfg/pigface_front.data cfg/pigface_front.cfg

 

即使跑起来，后面还是遇到了其他问题，继续解决中

。。。。。还在努力中

6、踩到的坑