win10下YOLO v3训练自己的数据集
一、YOLO v3的下载与编译
1、安装VS（YOLOv3支持vs2012、2013、2015，其他版本需要下载工具集）
去https://visualstudio.microsoft.com/downloads/?lang=en下载vs，YOLOv3支持vs2012、2013、2015，其他版本需要下载工具集（本人使用VS2017）,下载工具集步骤：在电脑搜索框输入vi，点击Visual Studio Installer。
出现如下界面，点击修改，如图：
出现以下界面，找到v140工具集，选中，点击修改即可，如图：
2、安装cuda（版本 >= 7.5）
cuda下载地址
下载完成后双击安装，安装成功后在命令行输入nvcc -V，出现以下界面则安装成功（自定义目录最终还是会下载在C盘）：
3、安装CUDA对应的cuDNN（下载页会显示对应关系）
cuda使用说明
下载前需要先注册账号，完成后执行如下操作（其实就是将cudnn文件夹下的文件复制到cuda对应目录下）
将
将
将
4、下载opencv（OpenCV 2.x.x 或者 OpenCV <= 3.4.0）
官网下载速度极慢，此处在如下网址下载：https://zh.osdn.net/projects/sfnet_opencvlibrary/releases/
选择需要的版本下载即可，此处使用opencv-3.4.0-vc14_vc15.exe，不能高于此版本。下载后运行，选择提取目录，opencv将会被提取到该目录：
接着配置opencv环境变量：
我的电脑--->属性--->高级系统设置--->高级--->环境变量--->系统变量--->path--->编辑
将OpenCV安装目录的bin目录添加进去
5、下载darknet并生成darknet.exe
下载地址：https://github.com/AlexeyAB/darknet
5.1、修改darknet.vcxproj文件
进入
另外，还要将compute_75和sm_75分别改为compute_70和sm_70,因为cuda9.0不支持75。
5.2、进入\darknet-master\build\darknet中，没有GPU的打开darknet_no_gpu.sln，有GPU的打开darknet.sln。将项目修改为Release x64。如果是VS2017，需要重定向项目:右键项目-->重定向项目（不升级）
如果是VS2017，需要修改工具集（下载工具集过程见1.1），修改如下：右键项目-->属性：
5.3、配置包含目录 + 库目录 + 链接器（位置已经用红框框出）
包含目录：在darknet项目上点击鼠标右键->属性，弹出如下界面：然后VC++目录-->包含目录-->编辑
添加的目录：...\opencv\build\include（...代表opencv的安装路径，下文同理）
...\opencv\build\include\opencv
...\opencv\build\include\opencv2
库目录：方法与包含目录类似，添加的目录为：...\opencv\build\x64\vc14\lib
链接器：添加目录...\opencv\build\x64\vc14\lib下库的名字：opencv_world341.lib
5.4、拷贝CUDA 9.0.props等文件：
CUDA 9.0.props 等文件就在cuda的安装目录下，本教程路径是：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\extras\visual_studio_integration\MSBuildExtensions
拷贝所有文件到C:\Program Files (x86)\MSBuild\Microsoft.Cpp\v4.0\v140\BuildCustomizations
如果直接输入路径无法找到，可以一步一步对照着找，因为可能有部分不太一样的地方。
右键项目，生成，成功后会生成一个darknet.exe在...\darknet-master\build\darknet\x64目录下，然后将..\opencv\build\x64\vc14\bin下的opencv_world340.dll 和opencv_ffmpeg340_64.dll 复制到 darknet.exe的同级别目录下。
做完上述步骤之后，可以测试下环境是否搭建成功：
在github上下载作者训练好的模型，网址：https://github.com/AlexeyAB/darknet/blob/master/README.md
懒的话直接点这里下载https://pjreddie.com/media/files/yolov3.weights
下载后放在darknet-master\build\darknet\x64下，打开该目录，双击darknet_yolo_v3.cmd会出现以下结果，表明成功编译。
二、用YOLO v3训练自己的数据
1、制作自己的数据集
1.1、框图
首先准备好自己的图片，然后框图打标签，使用方法非常简单，打开你就会用了。
链接：https://pan.baidu.com/s/12uFzIisR1WBuf7286hyA-Q
提取码：85s6
1.2、把xml文件转化为txt
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
classes = ["person","cat"]#这里是你的所有分类的名称
myRoot = r'C:\Users\Desktop\myyolov3\mytrain'#这里是你项目的根目录
xmlRoot = myRoot +r'\Annotations'
txtRoot = myRoot + r'\labels'
imageRoot = myRoot + r'\JPEGImages'
def getFile_name(file_dir):
L=[]
for root, dirs, files in os.walk(file_dir):
print(files)
for file in files:
if os.path.splitext(file)[1] == '.jpg':
L.append(os.path.splitext(file)[0]) #L.append(os.path.join(root, file))
return L
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(xmlRoot + '\\%s.xml' % (image_id))
out_file = open(txtRoot + '\\%s.txt' % (image_id), 'w') # 生成txt格式文件
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'):
cls = obj.find('name').text
if cls not in classes:
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')
#image_ids_train = open('D:/darknet-master/scripts/VOCdevkit/voc/list.txt').read().strip().split('\',\'') # list格式只有000000 000001
image_ids_train = getFile_name(imageRoot)
# image_ids_val = open('/home/*****/darknet/scripts/VOCdevkit/voc/list').read().strip().split()
list_file_train = open(myRoot +r'\ImageSets\Main\train.txt', 'w')
#list_file_val = open('boat_val.txt', 'w')
for image_id in image_ids_train:
list_file_train.write(imageRoot + '\\%s.jpg\n' % (image_id))
convert_annotation(image_id)
list_file_train.close() # 只生成训练集，自己根据自己情况决定
# for image_id in image_ids_val:
# list_file_val.write('/home/*****/darknet/boat_detect/images/%s.jpg\n'%(image_id))
# convert_annotation(image_id)
# list_file_val.close()
2、修改配置文件
项目根目录如下：
已经放在我的github上https://github.com/kk123k/myYOLOv3
2.1、把所有的样本图片和对应的txt文件放到：darknet-master\build\darknet\x64\data\obj\下面，一张图对应一个txt。
2.2、在darknet-master\build\darknet\x64\data\下新建train.txt
把训练图片的路径写在文件里面，每行一个路径，如图
当然，也可以写绝对路径。
刚刚上面的代码也已经包含了自动写入train.txt（执行前先在myRoot\ImageSets\Main\下新建一个train.txt）
2.3、将darknet的预训练权重放入darknet-master\build\darknet\x64
链接：https://pan.baidu.com/s/1Gdo2gj1bggjUtW9CyYkIpQ 密码：x5ht
2.4、在darknet-master\build\darknet\x64 新建yolo-obj.cfg文件（可以直接复制yolov3.cfg,然后重命名为yolo-obj.cfg）
修改这个文件内容：
batch 改成64 ：batch=64
subdivisions 改成8 ：subdivisions=8
训练的时候如果出现内存溢出错误（Out of memory），可以，将batch改小些（64,32,16,8），将random改成0关闭多尺度训练。
查找每个yolo下（共有3处）的classes改成你自己的类的数量 ：classes = N
查找每个yolo上面第一个convolutional下的filters（如图）改成你自己的大小，计算方法是： filters=(classes + 5)x3 ,由于我的是4类，所以我的filters=27. （这个也是只有3处）
2.5、在darknet-master\build\darknet\x64\data\下新建obj.names文件，里面写入你的要检测的分类的类名，每个类名占一行。
2.6、在darknet-master\build\darknet\x64\data\下新建obj.data文件，像这样
2.7、修改网络配置文件Makefile（在\darknet-master路径下）
3、开始训练
Win+R打开终端，cd进入darknet-master\build\darknet\x64路径，下面命令开始训练：
darknet.exe detector train data/obj.data yolo-obj.cfg darknet53.conv.74
训练时，每训练100轮，都会生成一个权重文件在build\darknet\x64\backup\ 下，文件名例如：yolo-obj_100.weights（后面的100是训练100轮是的权重）。
如果训练的时候IOU出现全是-nan(ind)，这应该是你的数据集有问题了，仔细检查下图片或txt文件的路径有没有写对或放对。可以在labels下放置图片标签txt文件试试。
4、测试
输入：同意cd进入darknet-master\build\darknet\x64路径，然后输入
darknet.exe detector test data/obj.data yolo-obj.cfg yolo-obj_100.weights（最后的权重改为自己的权重）。
然后终端会提醒你输入图片路径，然后你输入测试图片的绝对路径即可看到效果。
参考：
https://blog.csdn.net/StrongerL/article/details/81007766
https://blog.csdn.net/Yvette_Lucifer/article/details/82999061