使用yolo-v3和yolov3-tiny训练自己的数据

使用yolo-v3和yolov3-tiny训练自己的数据

yolov3的官网：教程官网都有，老详细了。

确立我们的目标：

训练我们自己的数据集，从而生成一个XXX.weights文件，这就是炼丹练出来的丹

先搞定darknet

安装+编译

1. 先建个文件夹
2. 打开命令行进入这个文件夹
3. git clone https://github.com/pjreddie/darknet建议下，有点小大
4. cd darknet
5. make
6. ok darknet算是成功安装了

测试一下yolo能不能用

1. 在darknet文件夹中
2. 下载这个放到darknet文件夹中（不的速度感人）yolov3.weights
3. 运行命令./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
4. 应该就能看到结果了,在darknet 文件夹下生成了predictions.jpg图片

我们在试试tiny-yolo的检测

1. 下载这个放到darknet文件夹中（不的速度感人）yolov3-tiny.weights
2. 结果同上，不做赘述了

训练的数据准备

1. 准备好训练图片，保存在train_imgs

2. 准备好测试图片，保存在test_imgs

3. 准备好训练集

   1. 建一个文件夹train_dataset
   2. 里面含有train_imags的全部图片，比如img1.jpg，img2.jpg，img3.jpg……
   3. 同含有每张图片对应的标注信息，比如img1.txt，img2.txt，img3.txt……，也就是说每有一张图片，就有一个图片名.txt的文件与之对应。
   4. 图片名.txt里的内容是
      label名 x y w h
label名 x y w h
label名 x y w h
label名 x y w h
      ……
      x y w h 计算法则如下:
      $$x=\frac{X（框中心x坐标）}{W（图宽）}$$
      $$y=\frac{Y（框中心y坐标）}{H（图高）}$$
      $$w=\frac{w（框宽）}{W（图宽）}$$
      $$w=\frac{h（框高）}{H（图高）}$$

   实例如下：

   	bicycle 0.37543085813522337 0.2680371602376302 0.05270464420318603 0.1362799326578776
   	bird 0.43849892616271974 0.25673709445529513 0.05238265991210937 0.11692102220323351
   	bird 0.5161398410797119 0.24423293007744684 0.022611427307128906 0.11158682505289713
   	bird 0.5623636245727539 0.23595088322957355 0.053014373779296874 0.1280634774102105
   

4. 同训练集一样准备好测试集test_dataset

5. 准备一个文件,名字是classes.txt，里面是检测的类别,也就是label，例如

   aeroplane
   bicycle
   bird
   boat
   bottle
   bus
   car
   cat
   chair
   cow
   diningtable
   dog
   horse
   motorbike
   person
   pottedplant
   sheep
   sofa
   train
   tvmonitor
   

6. 准备一个文件,名字是train.txt，里面内容是train_dataset下图片的路径，样例如下

   my_train_file/train_dataset/1332578596102866930.jpg
   my_train_file/train_dataset/-182-change_1328765264291956722.jpg
   my_train_file/train_dataset/-2508-change_1328134675046074354.jpg
   my_train_file/train_dataset/-1883-change_other-2-1328304958688200690.jpg
   

7. 准备一个文件,名字是test.txt，里面内容是测试图片的路径，样例如上

8. 准备一个文件，命名为own.data，内容举个例子（我的注释要删掉)

   classes= 20	#类别数
   train  = my_train_file/train.txt	#train.txt文件夹路径
   valid  = my_train_file/test.txt	#test.txt文件夹路径
   names = my_train_file/classes.txt	#类别名文件夹路径
   backup = backup	#训练出来的权重保存的位置,现在是在 darknet/backup
   

   备注：这个文件中的相对路径是相对于darknet文件路径的。

满配的yolo训练

1. 官网提供了Imagenet上预先训练的卷积权重，darknet53.conv.74
2. 这个是预训练好的权重，用的是Imagenet数据集，我们提取他的前74层的权重偏置和等等一堆参数值，提取出来就是darknet53.conv.74，我们用这个作为初始值，开始用我们自己的数据，用yoloV4网络，训练我们自己的参数
3. 整理一下现在已经有的东西train_imgs，test_imgs，train_dataset，test_dataset，classes.txt，train.txt，test.txt，own.data，darknet53.conv.74，yolov3.weights，yolov3-tiny.weights
4. 这一步在darknet文件夹下新建个文件夹，名为my_train_file，把darknet53.conv.74，train.txt，test.txt，own.data，classes.txt，train_dataset，test_dataset，都放到这里来。
5. 进入darknet文件夹，运行./darknet detector train my_train_file/own.data cfg/yolov3.cfg my_train_file/darknet53.conv.74
   命令解释：<运行darknet网络> <执行命令> <训练> <上一节第8步文件的路径> <网络路径> <预训练权重路径>
6. 这里说一下，上一步的 <网络> 是在darknet/cfg里的，里面有各种darknet作者搭好的网络，我们这里选yolov3.cfg
   注意：
   
   打开yolov3.cfg文件，查看其是否处于训练状态，上图就是训练状态，把# Training下面的注释掉，把# Testing下面的注释去掉，就是测试模式
7. 结果保存在backup文件夹下

tiny-yolo的训练

备注：本节是接上一节的操作后进行的，务必先执行完上一节的前四步

1. 把yolov3-tiny.weights，放到darknet文件夹下
2. 提取其前15层的参数，在darknet文件夹下运行./darknet partial cfg/yolov3-tiny.cfg yolov3-tiny.weights yolov3-tiny.conv.15 15
3. 把新生成的yolov3-tiny.conv.15文件移动到my_train_file中
4. 在darknet文件夹下运行./darknet detector train my_train_file/own.data cfg/yolov3-tiny.cfg my_train_file/yolov3-tiny.conv.15
5. 注意这里yolov3-tiny.cfg要符合上一节的第6步

训练完成之后，用训练的结果批量检测新的图像
用于生成yolo数据的工具:labelImg
图片筛选分离
数据增强