yolo模型(一)ubuntu16.04下 yolo使用自己的数据集训练模型

如果没有安装好Ubuntu和cuda环境，请移步到我的博客https://blog.csdn.net/xue_csdn/article/details/90898400，有详细的安装过程

1、下载darknet框架
参考官网https://pjreddie.com/darknet/yolo/

git clone https://github.com/pjreddie/darknet
cd darknet
make

2、官网下载预训练权重

wget https://pjreddie.com/media/files/yolo3.weights

该权重只是作为当前测试用

3、测试
（1）修改darknet目录下Makefile文件，将GPU、CUDNN、OPENCV的值都改为1(需提前安装显卡驱动、cuda、cudnn、opencv)
（2）修改要使用的cfg文件，以yolov3.cfg为例，将testing下的batch和subdivision取消注释，将training下的batch和subdivision加注释

用图片测试：

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

用视频测试：

./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights 

用相机测试：

./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights

一般情况下不需要加sudo就可以执行，但如果出现权限问题，加sudo有效，说明你的cuda安装有问题，但是不会对结果产生影响。

4、将自己的数据集放在指定文件夹下
部分文件夹需要自己新建

图片统一编号，放在文件夹JPEGImages文件夹中，（我是用ACDSee软件实现统一编码）

5、图片制作xml文件
用labelImg，下载地址https://github.com/tzutalin/labelImg
我用的是python2
Python2安装labelImg步骤:

sudo apt-get install pyqt4-dev-tools
sudo pip install lxml
make qt4py2
python labelImg.py

这里顺便附上python3的步骤：

sudo apt-get install pyqt5-dev-tools
sudo pip3 install -r requirements/requirements-linux-python3.txt
make qt5py3
python3 labelImg.py

打开之后，改变xml文件存储地址为上图中的Annotations文件夹中。

6、Imagesets文件夹下新建Main文件夹，用来存放训练图片的名字的文档train.txt及测试图片的名字的文档test.txt。这部分我是用matlab代码实现的，网上应该可以找到python代码。（python代码和matlab代码参考我的博客PASCAL VOC数据集 生成train.txt、test.txt、tainval.txt、val.txt）

7、将xml文件转换为txt文件
在darknet/scripts目录下找到voc_label.py文件，
将sets中的2012相关的去掉，classes改为自己数据集的类别，os.system去掉2012相关，把相应的文件路径改成自己的
运行python voc_label.py，可以看到txt文件出现在labels文件夹下

同时在scripts文件夹下边生成三个txt文件，分别是2007_train.txt、2007_test.txt（一般不会用到）、2007_val.txt

8、修改voc.nama
位于darknet/data文件夹下，这是目标的标签，清空，添加自己的标签

9、修改voc.data
位于darknet/cfg文件夹下，分别将train、val的路径改为scripts文件夹下边的2007_train.txt、2007_val.txt的路径

10、修改模型（cfg）中的参数
（1）如果使用yolov2-voc.cfg，将Training后边的注释去掉，batch=64，修改subdivsion=64（如果该值太小容易使内存溢出），
（2）修改[region]层，将classes的值改为自己标签的个数，
（3）[region]层上边最后一个[convolutional]层中，修改filters的数值，计算公式：
filters=num*(classes+coords+1)，classes和coords的值都是[region]层中的值

11、训练模型
下载预训练模型

wget https://pjreddie.com/media/files/darknet19_448.conv.23

(yolov3需要下载darknet53.conv.74)
然后执行

./darknet detector train cfg/voc.data cfg/yolov2-voc.cfg darknet19_448.conv.23

就可以在darknet/backup文件夹下看到有不同精度的模型（权重）出现。按照每100步、每1000步、每10000步产生。
如果训练中断，但是后面想要接着前边的模型继续训练，（如训练到5100步时中断）只需要把“darknet19_448.conv.23”换成“yolov2-voc_5000.weights”，即可继续训练。
根据需要选择模型测试图片或视频。

12、测试
测试方法与步骤3类似，需将cfg文件名改为yolov2-voc.cfg，yolov2-voc.cfg中的training下的两个值加注释，testing下的两个值取消注释。如：用摄像头测试：

./darknet detector demo cfg/voc.data cfg/yolov2-voc.cfg yolov2-voc_50000.weights

50000是训练的步数。
如果想在bbox上显示准确率（准确来说是置信度），执行：

• 打开derknet/src文件中找到image.c文件
• 找到draw_detections函数，加入红色框中的内容，
  
• 最后重新编译darknet:

make clean
make