darknet yolov3训练Voc数据集
1.配置好ubuntu16.04 nvidia-driver-394 cuda8.0 cudnn6.0 opencv3.4.1环境
2.下载 darknet-master
git clone https://github.com/pjreddie/darknet
cd darknet
gedit Makefile
GPU=1
CUDNN=1
OPENCV=1
make -j8
下载yolov3权重文件
wget https://pjreddie.com/media/files/yolov3.weights
3.运行demo,查看运行是否成功
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
4.准备VOC数据集,如下格式:(后期关于数据集的标注及生成会出新的博客~~,忘了记得提醒我)
Annotations
ImageSets
–Main
–test.txt
–train.txt
–trainval.txt
–val.txt
JPEGImages
放到VOCdevkit/VOC2007 或VOCdevkit/VOC2012文件夹下
使用/darknet/scripts/voc_label.py进行修改:
sets= 进行相应的修改
classes= 进行相应的修改
在VOCdevkit/的上级目录下运行python voc_label.py
5.修改配置文件
修改cfg/voc.data
classes= 3 //修改为训练分类的个数
train = /home/ws/darknet/scripts/2007_train.txt //修改为数据阶段生成的2007_train.txt文件路径
valid = /home/ws/darknet/scripts/2007_val.txt //修改为数据阶段生成的2007_val.txt文件路径
names = data/voc.names
backup = backup
修改data/voc.names:
将类别修改为自己类别名称
改cfg/yolo-voc.cfg:
# Testing
#batch=1 //训练的时候这里要注释掉,不然训练的时候都是nan
#subdivisions=1 //训练的时候test的要注释掉
# Training
#batch=64 //每次迭代要进行训练的图片数量 ,在一定范围内，一般来说Batch_Size越大，其确定的下降方向越准，引起的训练震荡越小。 (这一条如果自己的电脑GPU性能一般,可以将这个注释掉,或则相应的改小,下面的subdivisions的参数同理)
#subdivisions=8 //源码中的图片数量int imgs = net.batch * net.subdivisions * ngpus，按subdivisions大小分批进行训练
height=416 //输入图片高度,YOLO官网显示最高的为608
width=416 //输入图片宽度
channels=3 //输入图片通道数
momentum=0.9 //冲量
decay=0.0005 //权值衰减
angle=0 //图片角度变化，单位为度,假如angle=5，就是生成新图片的时候随机旋转-5~5度
saturation = 1.5 //饱和度变化大小
exposure = 1.5 //曝光变化大小
hue=.1 //色调变化范围，tiny-yolo-voc.cfg中-0.1~0.1
learning_rate=0.001 //学习率
burn_in=1000
max_batches = 120200 //训练次数
policy=steps //调整学习率的策略
steps=40000,80000 //根据batch_num调整学习率，若steps=100,25000,35000，则在迭代100次，25000次，35000次时学习率发生变化，该参数与policy中的steps对应
scales=.1,.1 //相对于当前学习率的变化比率，累计相乘，与steps中的参数个数保持一致；
有3处需要修改:可以手动搜索linear 找到这三处
最后一层卷积层中filters,计算公式为:filter=3*(classes+5)//要注意v2的filters是5*（classes+5）,而v3是3*(classes+5)
有三处需要修改,搜索classes 找到相应的位置改为你的数据集的类别数
classes= 这里要修改
6.训练
格式:
./darknet -i
单GPU训练：
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74
更换GPU训练：
./darknet detector -i 2 train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74
多GPU训练：
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gpus 0,1,2,3
接着训练原来的backup模型文件:
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3.backup -gpus 0,1,2,3
./darknet detector train cfg/voc.data cfg/yolo-voc.cfg model/darknet53.conv.74 >> log.txt #这里将训练的输出文件全部生成到log.txt文件中,方便后期的调优操作.
7.训练的一些输出说明
Region xx: cfg文件中yolo-layer的索引；
Avg IOU:当前迭代中，预测的box与标注的box的平均交并比，越大越好，期望数值为1；
Class: 标注物体的分类准确率，越大越好，期望数值为1；
obj: 越大越好，期望数值为1；
No obj: 越小越好；
.5R: 以IOU=0.5为阈值时候的recall; recall = 检出的正样本/实际的正样本
0.75R: 以IOU=0.75为阈值时候的recall;
count:正样本数目
8.测试
修改yolov3-voc.cfg文件,关闭train 打开test
./darknet detect cfg/yolo-voc.cfg backup/yolo-voc_final.weights data/dog.jpg
./darknet detect [训练cfg文件路径] [权重文件路径] [检测图片的路径]