YOLO基础教程（四）：yolo v3 训练自己的数据集

本代码开发环境：Keras+python+yolo3

• yolo3 Keras 代码地址： https://github.com/qqwweee/keras-yolo3  （请先下载此文件）
• 论文地址：YOLO V1  https://pjreddie.com/darknet/yolov1/
• YOLO V2  https://pjreddie.com/darknet/yolov2/
• YOLO V3  https://pjreddie.com/media/files/papers/YOLOv3.pdf
• YOLO V3 中文版  https://zhuanlan.zhihu.com/p/34945787

好，下面开始进入正题，使用yolo3,训练自己的数据集进行目标检测

首先推荐一个数据集网站做前期准备：http://www.robots.ox.ac.uk/~vgg/data/

一、  创建数据集图片文件夹，格式如下，文件夹名称须一致：

二、  将所有图片复制到JPEGImage文件夹下，如图：

三、  生成Annotations下的的xml文件

所需工具：LabelImg ，链接：https://pan.baidu.com/s/1GJFYcFm5Zlb-c6tIJ2N4hw  密码：h0i5

下载文件后，修改data文件夹下的 predefined_classes.txt 可以改变标签名称。

通过Open Dir 打开图像存放的路径，即JPEGImage文件夹所在位置，按 w 键可以进行标注，标注完 Save 选择保存路径 即可。

标注完后，将标注文件，存放在Annotations文件夹下，如图：

四、  生成ImageSets/Main文件夹下所需的文件

在VOC2007下建个文件 test.py，代码如下，然后运行即可

import os
import random

trainval_percent = 0.1
train_percent = 0.9
xmlfilepath = 'Annotations'
txtsavepath = 'ImageSets\Main'
total_xml = os.listdir(xmlfilepath)

num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

ftrainval = open('ImageSets/Main/trainval.txt', 'w')
ftest = open('ImageSets/Main/test.txt', 'w')
ftrain = open('ImageSets/Main/train.txt', 'w')
fval = open('ImageSets/Main/val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftest.write(name)
        else:
            fval.write(name)
    else:
        ftrain.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

五、  生成yolo3所需的 train.txt,val.txt,test.txt

打开 voc_annotation.py 文件，修改class值，改为自己的标签值，如图：

然后运行程序，会生成3个TXT文件，将前面的前缀 “2007_  ”删除

六、  修改参数文件yolo3.cfg

IDE里直接打开yolo3.cfg文件，ctrl+f搜 yolo, 总共会搜出3个含有yolo的地方，根据自己的分类数修改

每个地方都要改3处，filters：3*（5+len（classes））；

                                    classes: len(classes) = 4，我分成了4类

                                    random：原来是1，显存小改为0

七、  修改model_data下的文件，改为你的类别，coco,voc这两个文件都需要修改，如图：

八、  修改train.py代码，准备训练。

因为程序中有logs/000/目录，你需要创建这样一个目录，这个目录的作用就是存放自己的数据集训练得到的模型。不然程序运行到最后会因为找不到该路径而发生错误。

1.  如果你没有GPU，可以在最前面加上这句话     os.environ["CUDA_VISIBLE_DEVICES"] = "-1"  即采用CPU进行训练

 

2.  从头开始训练还是在原来基础上训练   load_pretrained = Ture 时加载之前的权重，在此基础上进行训练，False时从头开始训练

3.  修改训练参数

主要参数有 batch_size 此值越大，对GPU显存要求越大，该开始一直报错就是GPU显存不够用，修改这个值就好了。

epochs 训练是周期数，肯定是越大越好。

训练完成后，训练参数存放在 logs/000 文件夹下，其中，有一个名为 trained_weights_final.h5 即为最后生成的权重文件，将此文件复制到model_data文件夹下，并命名为 yolo.h5 即完成训练。

九、  测试

创建一个 self-test.py 文件，里面内容如下：

from yolo import YOLO
from PIL import Image


def detect_image():
    yolo = YOLO()
    images = Image.open("2.jpg")
    result = yolo.detect_image(images)
    yolo.close_session()
    result.show()


detect_image()

即可显示测试结果。

十、  tiny_yolo v3模型训练

tiny_yolo 模型是小型化的 yolo模型，其运行速度较快，可达到实时性检验，修改过程和上述类似，只不过有几个需要注意的地方

1.  train.py文件 

2.  yolo.py 文件

其他操作与上述内容相同。