Yolov3 训练自己的数据集 Pytorch 最简单 最少代码 最易调参
2020-3-11更新了接口和修改了示例代码，旧版本读者请注意异同，详细参考博文最后说明
目前烦恼
你是不是已经被网上繁琐的 Yolov3 训练自己数据集的教程搞晕了？
你是不是还在纠结 xxx.cfg 文件到底怎样改又或者网上参差不齐的训练代码难以调参？
如果你仅仅是为了追求工程上的快速搭建开发，这里使用基于Pytorch的第三方库 “芷山” (英文：zisan)来实现最快速的Yolov3训练自己数据集。
这里提供下地址：
zisan官网
zisan Yolov3训练自己数据集 实现文档
安装zisan包
可以参考官网文档：
Install and download weights
（假设你已经配置好了 Pytorch +CUDA+CUDNN）
Pytorch+CUDA+CUDNN配置教程
第一步：
安装zisan包，打开命令行输入：（提示缺哪些辅助库就自己安装哪些）
pip install zisan
第二步：
下载 Yolov3， Yolov3-tiny，Yolov3-spp 的权重文件
这里我们不需要到其他地方额外下载，官网上已经给出了配套的辅助文件，文件夹的名字不要修改，如果修改的话在后面使用的时候传参需要修改比较麻烦，我们按着最简单的步骤取完成即可。
百度云：https://pan.baidu.com/s/1qj-Lpe4OKV0L-w9uKO8EFw
提取码：x9wl
我们只需要完成 训练数据集的目标检测任务，只需要Yolov3的权重，找到 runBox.zip （475 MB）下载：
下载之后，解压如下目录：
此时，cfgs和weights文件夹是有权重和网络配置文件的，我们不要也不需要取改动它。
我们只需要在data文件夹里面放我们自己的数据即可。
数据集准备
这里实例使用红细胞数据集
下载地址：
链接: https://pan.baidu.com/s/1hYPFJH5XnRV0THV1pW5ALA
提取码: nlbq
数据集解压之后：
Annotations 文件夹放置的是xml标记文件，JPEGImages 文件夹放置的是 jpg图片
这时，我们无需做任何处理，只需要做两次傻瓜式复制即可：
第一步：把所有的xml文件复制到刚才的runBox/data/Annotations/ 里面
第二步：把所有的图片文件复制到刚才的runBox/data/images/里面
（这是data文件夹的目录，如果是你自己构造目录，睁大你的卡姿兰大眼睛，大小写分清楚！）
其余两个文件夹是空的，我们无需理会，但千万不要删除。
开始写 train.py
我们在runBox文件夹新建一个py文件
train.py:
from zisan.ObjDetect.Interface import ObjDetect_train, ObjDetect_Preprocess
import os
if __name__ == "__main__":
pr=ObjDetect_Preprocess(classnames=['RBC'],currentpath='D:/xxx/runBox') # cuurentpath is needed, current path parameter is your runBox path
trainModel=ObjDetect_train(currentpath='D:/xxx/runBox')
trainModel.Run(cfg='yolov3-tiny.cfg',epochs=10)
接下来，python train.py 即可
如果你需要 调整训练参数，可以参考：
Package: ObjDetect
epochs: The times you loop training.
batch_size: The sum of once you
put into training. cfg: You can choose ‘yolov3-ting.cfg’,
‘yolov3-spp.cfg’ and ‘yolov3.cfg’, you must sure the weights folder
has the corresponding weight.
img_size: You can set as (height,width),
also like above 416 means (416,416)
resume: Due to the limitation of device resources, you may not be able to train too much data at a time. At this time, you can use resume to continue training for the weight of last cooling
num_workers: Multithreading, you must use main to use this nosave: if save each epoch weight
训练完毕，我们的训练出来的pth就放在weights文件夹里面，自行取用。
有两个weight ：
last.pth
best.pth
zisan 还支持 Resume Training
我们只需要使用 resume=True 和把epoches 调大即可
if __name__ == "__main__":
pr=ObjDetect_Preprocess(classnames=['RBC'],currentpath='D:/xxx/runBox') # cuurentpath is needed, it is your runBox path
trainModel=ObjDetect_train(currentpath='D:/xxx/runBox')
trainModel.Run(cfg='yolov3-tiny.cfg',epochs=20,resume=True)
开始写detect.py
同理，在runBox文件夹里面新建一个detect.py 文件：
detect.py
from zisan.ObjDetect.Interface import ObjDetect_detect, ObjDetect_train, ObjDetect_Preprocess
import os
import cv2
from skimage import io
if __name__ == "__main__":
detectModel=ObjDetect_detect(cfg='yolov3-tiny.cfg',currentpath='D:/xxx/runBox') #Your runBox path is needed
img=io.imread('D:/1.jpg')
img=cv2.resize(img,(480,640)) # Here rechange for your train images set Height and width
re,im0=detectModel.detect_from_RGBimg(img,is_showPreview=True)
print(re) #re is a result list, item is dictionary and the format is: {'class':xx,'x0':xx,'x1':xx,'y0':xx,'y1':xx}
这里放上某一张的检测结果：
至此，已经完成所有的Yolov3 训练自己的数据集的任务了
附：zisan底层源码：
或许会有朋友觉得这种高度集成的工具没什么价值，其实zisan是我业余完成的一个工具包，也是里面有部分参考了开源的Pytorch Yolov3改写的版本，已经比其他社区参差不齐的代码好用了，我本意是做一个可以快速搭建CV开发的工具包，现在只完成了目标检测和对象语义分割的接口。
如果有兴趣的朋友可以到zisan 的Github上点个Star
邮箱：[email protected]
Github:zisan https://github.com/EpsilionJT/zisan
如果本文不够详细可以参见另外一篇Blog：
https://blog.csdn.net/rizero/article/details/104192332
2020-3-11更新补充：
关于部分读者不能成功运行的原因汇总：
（1）最好使用torch版本1.2，部分函数最新的1.4有可能出现兼容问题
（2）current_path参数目的是引入cfg文件和权重文件以及进行预处理，当时写接口的时候没能考虑到部分读者的python解释器是运行在虚拟路径的，我已经对博客和源码进行了修改，获取最新版本只需要重新pip就行了。
pip uninstall zisan
pip install zisan
（3）如果你实在无法传入绝对路径的话，可以尝试以下解决方案：
把
current_path = os.path.dirname(__file__)
改成：
current_path = os.getcwd()
（4）新的detect文件已经更新了，参见博客原文
zisan1.0.12更新说明：
- 新版本已经废除了detectFromFiles函数，建议使用detectFromRGB函数
- current_path参数指的你的runBox路径，博客原文已经修改
最后的话
为保证你的环境和你的数据等配置都不出问题，建议：先用本文的红细胞数据集训练和检测成功之后再尝试自己的数据集，只要按照一些照套就会避免很多问题的出现