YOLO训练自己数据集配置文件修改.md

数据命名

1. VOC2016 最早1093张person
2. VOC2017 刘尧792张person
3. VOC2018 恩德792张person_hand
4. VOC2019 person_head_hand(hand/hand1) 但是可以不生成hand1的label
5. VOC2020 person_head_hand size=224*224
6. 2021_train.txt head and hand
7. VOC2000 toys
8. VOC2001 刘尧张恩德 1:3　404张
9. VOC2002 刘尧　1:4 849张　白天，亮度两种
10. VOV2003 罗定　1:4 699张　隧道
11. VOC2004 白天，隧道组合　699+849=1548

问题提示

1. 配置文件：
   • cfg/yolo.cfg 或者 cfg/yolo-voc.cfg,定义网络结构 test阶段batch=1，train阶段batch=64/128 出现CUDA out of memory错误
   • cfg/voc.data 或者 cfg/coco.data 定义类别,训练数据，测试数据的路径 出现bounding box正确，但是图片的标注与实际不符合
2. 问题：数据标注，有些时候没有覆盖手，小物体检测效果不好

训练技巧

1. random=1 多尺度训练
2. anchor机制:数量(num),长宽比（根据最后一层输出map尺寸）
3. batch大小
4. passthrough layer（route）细粒度特征
5. 模型大小压缩

配置文件修改

1. 到cfg文件夹，将xxx.cfg和voc.data复制修改
   • .cfg说明网络结构，[region]小节的classes=20，改为你的类别数,'num'改为anchors数目，最后一个convolutional小节的filters改为（5+classes）×num
   • .data说明训练数据索引位置train=，训练过程权重保存位置backup=,训练和测试过程类别数classes，各类别名称names
2. 在data文件夹中建立.data文件中的names列表，里面一行一个类别标签

labe数据的准备

1. VOC数据集中,将自己的图片复制到JPEGImages，标注复制到Annotations，在ImageSets/Main/make_text.py修改1path，执行之后生成train.txt`
2. voc_label.py文件修改
   • sets=[('2020', 'train')]
   • classes = ["person","head","hand"]
   • 执行voc_label.py，在labels文件夹下生成label，同时在同一目录下生成./2020_train.txt,其中包含训练数据路径

数据训练起点生成（basemodel）

./darknet partial cfg/darknet19.cfg darknet19.weights darknet19.conv.19 19

执行训练命令

./darknet detector train cfg/voc.data cfg/darknet19.cfg darknet19.conv.19 -gpus 0

模型对比分析

1. ./darknet_test/param_size.py执行结果显示参数大小和计算量
2. cfg/tiny-yolo-voc-person-head-hand-decrease-anchor.cfg
   • 大小(KKM*N)： 3.6M
   • 计算量(KKSSM*N)：
   • 帧率（pc-cpu）

./darknet detector demo  cfg/voc-tiny-person-head-hand.data cfg/tiny-yolo-voc-person-head-hand-decrease-anchor.cfg  weights_anchor_2020/tiny-yolo-voc-person-head-hand-decrease-anchor_16500.weights   data/2.avi