yolov3-tools使用说明
配置yolo训练环境比较复杂，同时需要大量样本。各种拷贝、各种标注、各种修改配置文件，新手需要大概三五天时间才能摸透，因此开发了这个小工具。收集好样本后，一个界面搞定配置、标注、训练过程。
github地址：https://github.com/henreash/yolov3-tools
已编译的发布程序：cuda10.0版本（https://pan.baidu.com/s/1ESi9HaVlRx6UpfsP_Uk6Eg 提取码: mi2u）
cuda10.2版本（ https://pan.baidu.com/s/12QCNC38QnHGqMLhbplpiYQ 提取码: kwiz ）
运行提示缺少dll，请下载对应的cuda和cudnn安装包。
运行界面如上图。
工具自带了谷歌的机器视觉图像snowman的样本及标注数据。如需要创建新的yolov3检测器，请首先打开资源管理器，找到本工具目录，和snowman目录同级创建存放yolov3检测器目录，例如detectorA，创建detectorA/images目录，将样本图像存放到detectorA/images下；创建detectorA/test-images目录，将测试图像存放到detectorA/test-images下，如下图：
yolo分类器
界面的yolo分类器内容默认是snowman，点击后面的选择按钮，选择detectorA目录，yolo分类器则变为detectorA，界面下方的样本列表自动加载detectorA/images目录中的样本图像列表；软件启动默认的yolo检测器是snowman，加载snowman/images目录中的样本。
类别管理
点击类别管理，打开界面，可在界面中增加、删除、修改类别，后面将根据配置类别生成配置文件、设置标注对象的类别、生成darknet.data文件。类别内容存储在
生成配置文件
点击生成配置文件按钮，弹出界面，点击其中的<生成配置文件按钮>，自动生成配置文件，存储在
切分样本
点击切分样本，将图像样本按比例（可在后面的比例框配置，默认10%）拆分为训练样本和测试样本，在
生成darknet配置文件
点击<生成darknet配置文件>按钮，自动生成
样本标注
双击界面左侧的图像列表，右侧图像显示区域自动显示选中的样本图像，并加载已标注对象的边界框（绿色框），可用鼠标拖动调整大小和位置，可按方向键调整选中对象的位置（存在和界面控件争夺光标的问题，github上代码已改进）。点击插入边界框，在图像上按下鼠标左键，插入一个新的边界框。双击边界框（标注框），弹出调整对象类别的对话框：
注意：类别下拉框数据来自第一步配置的类别列表。
样本标注好后，记得点主界面的保存按钮，否则修改的数据会丢失。
将所有样本图像进行标注，即可启动训练过程。
训练
训练过程依赖darknet程序，可从上面给出的百度网盘下载，如运行有问题请自行根据教程进行编译（使用NVIDIA GPU加速，程序在不同配置的机器上运行可能报错，本例中的程序安装的是cuda10.2、cudnn7.6.5）。编译后替换工具目录中darknet相关文件。
darknet教程：https://github.com/henreash/yolov3-tools/blob/master/doc/yolov3-train-tutorial.pdf
点击训练按钮，启动训练界面：
训练过程较长，请耐心等待。打开
继续训练
点击<继续训练>按钮，会加载
测试
点击<测试>按钮，选择测试图像，启动测试过程。
训练的模型在.net下的应用：
在github上下载Alturos.Yolo项目，将.weights文件、.cfg文件、.names文件拷贝到编译后的程序运行目录中，将测试图像拷贝到images目录中，运行程序即可查看效果。
上图测试结果发现，yolov3在cpu下运行，检测一次需要800ms左右，而安装好cuda10.2、cudnn7.6.5后，直接提升到50ms。完全可以达到实时检测的目的。检测到的位置存在几个像素的误差，改进样本标注质量、加大训练量可以进一步提高。