Win10上darknet-yolov3-训练自己的数据集

关于win10上darknet-yolov3的配置 https://blog.csdn.net/qq_41433316/article/details/98354269 上面有，这里主要记录一下训练的过程：

准备数据集

将数据集做成VOC格式的，使用labelimg工具对图片进行标注生成xml文件

生成、修改文件

1、进入build–>darknet–>x64，在该目录下进行操作
2、进入data–>VOCdevkit（如果没有VOCdevkit的话就从自行创建一个），创建文件夹VOCxxxx（建议日期），比如VOC0809，在VOCxxxx下建立Annotations，ImageSets，JPEGImages以及labels文件夹，在ImageSets下建立Main文件夹
将xml文件放入Annotations中，图片放入JPEGImages中

3、将makeTxt.py放入VOCxxxx中并执行python makeTxt.py，将会在Main下生成train、val、test三个txt
附上makeTxt.py的代码：

import os
import random
 
trainval_percent = 0.85   #可自行进行调节
train_percent = 0.8
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:
            ftrain.write(name)
        else:
            fval.write(name)
    else:
        ftest.write(name)

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

trainval和test加起来就是图片的数量，train+val=trainval，比例可以自行调节
4、data下创建xxxx.data和xxxx.names（xxxx就是刚刚创建VOCxxxx的xxxx）两个文件，参照voc.data和voc.names
下面是.data文件的样式

5、修改data下的voc_label.py： sets=[将’0809’换成’xxxx"]，classes 换成自己的，最后两行同样换成xxxx，运行该文件
放上voc_lable.py的代码：

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join

sets=[('0809', 'train'), ('0809', 'test'), ('0809', 'val')]

classes = […………………………]


def convert(size, box):
    dw = 1./(size[0])
    dh = 1./(size[1])
    x = (box[0] + box[1])/2.0 - 1
    y = (box[2] + box[3])/2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x*dw
    w = w*dw
    y = y*dh
    h = h*dh
    return (x,y,w,h)

def convert_annotation(year, image_id):
    in_file = open('VOCdevkit/VOC%s/Annotations/%s.xml'%(year, image_id),'rb')
    out_file = open('VOCdevkit/VOC%s/labels/%s.txt'%(year, image_id), 'w')
    tree=ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)

    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult)==1:
            continue    
        cls_id = classes.index(cls)
        if cls =='melon_seeds':
            print(str(cls_id))
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
        bb = convert((w,h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')

wd = getcwd()

for year, image_set in sets:
    if not os.path.exists('VOCdevkit/VOC%s/labels/'%(year)):
        os.makedirs('VOCdevkit/VOC%s/labels/'%(year))
    image_ids = open('VOCdevkit/VOC%s/ImageSets/Main/%s.txt'%(year, image_set)).read().strip().split()
    list_file = open('%s_%s.txt'%(year, image_set), 'w')
    for image_id in image_ids:
        list_file.write('%s/VOCdevkit/VOC%s/JPEGImages/%s.jpg\n'%(wd, year, image_id))
        convert_annotation(year, image_id)
    list_file.close()

os.system("cat 0809_train.txt 0809_val.txt > train.txt")
os.system("cat 0809_train.txt 0809_val.txt 0809_test.txt > train.all.txt")

6、修改x64–>cfg下的yolov3.cfg文件，主要将每个yolo层的classes改成自己的类别数量，
每个yolo层上面的convolutional层理的filters改成3*（5+len（classes）），一共修改六处即可
如果要修改迭代次数学习率之类的，修改net下的东西

训练

进入x86文件夹下，命令行输入：
.\darknet.exe detector train .\data\0809.data .\cfg\yolov3_0809.cfg .\darknet53.conv.74
darknet53.conv.74是预训练模型，下载地址： https://pjreddie.com/media/files/darknet53.conv.74
训练的时候会出现这一堆东西：

以及这样的图片：

训练完后会在x64–>backup下生成权重文件（.weights）

测试

.\darknet.exe detect .\cfg\自己的.cfg .\训练生成的.weights .\data\dog.jpg