用YOLO训练自己的数据集--20170823
一、YOLO安装
YOLO官网：https://pjreddie.com/darknet/yolo/
1.安装darknet
git clone https://github.com/pjreddie/darknet
cd darknet
make2.下载权重文件pre-trained weight
wget https://pjreddie.com/media/files/yolo.weights3、测试
./darknet detector test cfg/coco.data cfg/yolo.cfg yolo.weights data/dog.jpg或者
./darknet detect cfg/yolo.cfg yolo.weights
Enter Image Path:
data/dog.jpg二、YOLO训练自己的数据集（VOC格式）
根据网址修改：http://blog.csdn.net/ch_liu23/article/details/53558549
（一）构建VOC数据集
1、新建文件夹VOC2017（名字+年份）
在VOC2017文件夹下新建三个文件夹Annotation、ImageSets和JPEGImages，并把准备好的自己的原始图像（.jpg）放在JPEGImages文件夹下；把xml文件放在Annotation文件夹下。
2、在ImageSets文件夹中，新建三个文件夹Layout、Main、Segmentation，然后把写了训练图像的名字的文本train.txt放在Main文件夹下。
3、运行自己写的脚本./write.sh
// 根据标记的xml文件生成一个train.txt文件，其中包含所有训练集图片的文件名
#!/bin/sh
#============ get the file name ===========
echo -e "请输入你要读取的文件夹路径\n当前路径为${PWD}"
read InputDir
echo "你输入的文件夹路径为${InputDir}"
echo -e "请输入你要将数据输出保存的文件路径\n当前路径为${PWD}"
read OutputFile
echo "输出保存的文件路径为${OutputFile}"
: > $OutputFile #清空OutputFile
#循环读取文件夹名
for file_a in ${InputDir}/*; do
temp_file=`basename $file_a`
echo $temp_file >> $OutputFile
done 注：输出文件是train.txt的绝对路径，生成后需要去掉所以后缀名.xml。
（二）用tiny-yolo训练
1.生成相关文件
按darknet的说明编译好后，接下来在darknet-master/scripts文件夹中新建文件夹VOCdevkit，然后将整个VOC2017文件夹都拷到VOCdevkit文件夹下。利用scripts文件夹中的voc_label.py文件生成一系列训练文件和labels，具体操作如下：
（1）首先需要修改voc_label.py中的代码，这里主要修改数据集名，以及类别信息，我的是VOC2017，并且所有样本用来训练，没有val或test，并且只检测人、车等，故只有五类目标，因此按如下设置：
sets=[('2017', 'train')]
classes = [ "person","car","electric bicycle","bicycle","motorcycle"] 注:删除最后两行输出语句。
（2）修改好后在该目录下运行命令：python voc_label.py，之后则在文件夹scripts\VOCdevkit\VOC2007下生成了文件夹lables。同时在scripts\下应该也生成了train_2017.txt这个文件，里面包含了所有训练样本(.jpg)的绝对路径。
2.配置文件修改
（1）以tiny-yolo-voc.cfg为例，该网络是yolo-voc的简版，相对速度会快些,主要修改参数如下:
filters=50 //修改最后一层卷积层核参数个数，计算公式是依旧自己数据的类别数filter=num×（classes + coords + 1）=5×（5+4+1）=50
activation=linear
[region]
classes=5 //类别数，本例为5类 注：另外也可根据需要修改learning_rate、max_batches等参数。
（2）data文件下的voc.names
打开voc.names文件可以看到有20类的名称，本例中只有五类，可改成：
person
car
electric bicycle
bicycle
motorcycle（3）修改cfg文件夹中的voc.data文件
classes= 5 //类别数
train = /home/anngic/darknet/scripts/train_2017.txt //训练样本的绝对路径文件
valid = /home/pjreddie/data/voc/2007_test.txt //测试集的绝对路径文件
names = data/voc.names //上一步修改的voc.names文件
backup = /home/anngic/darknet/results/ //训练后生成的权重保存位置附：关于Difficult大小写报错的修改方法，需把所有Difficult改成difficult。
sed -i "s#Difficult#difficult#g" `grep "Difficult" -rl ./`（三）训练、测试
1.上面完成了就可以命令训练了，可以在官网上找到一些预训练的模型作为参数初始值，也可以直接训练，训练命令为
$./darknet detector train ./cfg/voc.data cfg/tiny-yolo-voc.cfg 2.训练过程中会根据迭代次数保存训练的权重模型，如使用权重tiny-yolo-voc_6000.weights进行测试：
$./darknet detector test cfg/voc.data cfg/tiny-yolo-voc.cfg results/tiny-yolo-voc_6000.weights data/images.jpg