Ubuntu18.04下实现Yolov3对象检测

环境配置如下:

系统配置	命令
Ubuntu：18.04	cat /etc/issue
python：2.7.15	python
OpenCV：3.2.0	pkg-config --modversion opencv

实现命令如下：

Yolov3的原理另一篇博客中有所介绍，这里大致列下实现流程以及训练自己数据集过程：
一、跑官方demo

1. 下载darknet,也就是YOLO：
   git clone https://github.com/pjreddie/darknet
   cd darknet
   make
   make成功后会显示如下信息：
   
   make前后对应的工程文件夹下的内容也有所不同：
   
2. 编译完成之后，执行darknet
   
3. 下载预训练模型(yolov3.weights)
   wget https://pjreddie.com/media/files/yolov3.weights
4. 运行demo
   ./darknet detect cfg/yolov3.cfg backup/yolov3.weights data/dog.jpg
   效果图：
   二、训练自己的数据集
   1.由于使用的无GPU版本，第一步所有的makefile文件配置全部忽略。
   2.创建数据集文件目录：
   在/home/mtd/work_project/darknet/data目录下新建文件夹MyData，在该文件夹新建如下三个文件夹：
   
   Annotations—存放所有训练图片对应的xml文件
   ImageSets—在该文件夹下新建Main文件夹，然后在Main下创建两个.txt文件(存放图片的名称，不带后缀)，分别为train.txt(训练集)和val.txt(验证集)
   这两个txt文件中的图片名可以通过如下python代码Write_ImgName.py生成，注意代码中的文件路径，文件路径不能为中文，有中文存在编译会报错。
   JPEGImages—存放所有的训练图片
   Write_ImgName.py代码如下：

import os
from os import listdir,getcwd
from os.path import join
if __name__=='__main__':
  source_folder='/home/.../darknet/data/MyData/JPEGImages'
  dest='/home/.../darknet/data/MyData/ImageSets/Main/train.txt'
  dest2='/home/.../darknet/data/MyData/ImageSets/Main/val.txt'
  file_list=os.listdir(source_folder)
  train_file=open(dest,'a')
  val_file=open(dest2,'a')
  for file_obj in file_list:
      file_path=os.path.join(source_folder,file_obj)
      file_name,file_extend=os.path.splitext(file_obj)
      file_num=int(file_name)
      if(file_num<40):
         train_file.write(file_name+'\n')
      else:
         val_file.write(file_name+'\n')
  train_file.close()
  val_file.close()
print('Finishing')

3. 生成2.中对应的train.txt和val.txt，可通过上述python脚本生成：
   
4. 运行voc_label.py生成2019_train.txt和2019_val.txt这两个文件。
5. 下载与训练权重：
   wget https://pjreddie.com/media/files/darknet53.conv.74
6. 整理所有文件到对应的地方：
   其实最终需要的文件只有*.jpg/.txt/2019_train.txt/2019_val.txt/darknet53.conv.74
   在mytrain文件夹下新建文件夹obj和weights：
   obj—存放.jpg和*.txt
   weights—存放训练后的权重文件
   7.修改对应文件
   (1) ./data/voc.names:
   
   每一行对应一种类型，根据自己的情况自行修改
   (2) 修改cfg/voc.data:
   
   其中的classes/train/valid等根据自己的具体情况进行修改。
   (3) cfg/yolov3-voc.cfg
   下面三处也需要修改：
   
   
   
   8.开始训练
   ./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 | tee train_yolov3-voc.log（linux下 保存训练日志log）
   9、对训练模型进行测试
   ./darknet detector test cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_200.weights voc/0002.jpg
   yolov3-voc_200.weights: 表示训练出来的权重文件
   voc/0002.jpg: 表示测试图片的路径
   10、生成预测结果
   ./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_600.weights result
   结果生成在results文件夹下
   11、计算召回率(recall)
   ./darknet detector recall cfg/voc.data cfg/yolo-voc.cfg backup/yolo-voc_final.weights