Google Colab实现YOLOv3训练自己的数据集（详细步骤）
1 成功运行界面
2 详细步骤
1 连接上谷歌云盘并把路径指定到谷歌云盘（需要先连接上谷歌云盘）
cd /content/drive/My Drive
2 通过git下载yolov3的pytorch框架
git clone https://github.com/ultralytics/yolov3
3 转到yolov3目录下，安装适合的环境，并查看目录下的文件
cd yolov3
pip install -U -r requirements.txt
ls
4 在yolov3/data目录下新建4个文件夹（初始应该只有一个samples文件夹）
Annotations
images
ImageSets
labels
5 把图片上传到images文件夹
6 把xml文件上传到Annotations文件夹（是用labelImg软件标注）
注意：
如果有Anaconda软件，下载软件的话，直接打开命令行输入：pip install labelImg
安装完成后，打开软件的话，命令行输入：labelImg
7 在yolov3/data目录下新建2个文件
rbc.data
rbc.names
rbc.data内容（classes数值要改，我是2个类别的训练）
classes=2
train=data/train.txt
valid=data/val.txt
names=data/rbc.names
backup=backup/
eval=coco
rbc.names内容（根据labelImg标注软件的标注的内容改，我第一类标号1，第二类标号2）
1
2
8 执行makeTxt.py文件（这个文件无需改动）
!python3 makeTxt.py
点击-------获取makeTxt.py文件的超链接地址
9 执行voc_label.py文件（文件需要改动）
注意：这里的第6行的sets要改成图中样子（貌似不用改），第7行的classes根据labelImg标注的类别更改
!python3 voc_label.py
点击-------获取voc_label.py文件的超链接地址
10 修改 yolo3-spp.cfg 文件（在yolov3/cfg目录下）
注意：
只改yolo层和yolo层前一层的convolutional层！！！！！
yolo层更改classes参数，convolutional层更改filters参数
文件里面yolo有3处，对应的convolutional层也有3处，一共要改6处地方
classes参数根据类别的数目更改，这里classes=2
filters根据3 x（classes+4+1）=21
举一个栗子
[convolutional]
size=1
stride=1
pad=1
filters=21 #该这里
activation=linear
[yolo]
mask = 0,1,2
anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326
classes=2 #改这里
num=9
jitter=.3
ignore_thresh = .7
truth_thresh = 1
random=1
11 下载权重
!cd weights
!bash weights/download_yolov3_weights.sh
#下载权重需要调用yolo目录下的model.py文件
#如果报错：none find module models 把路径转回yolo目录下 cd /content/drive/My Drive/yolov3
12 开始训练
!python3 train.py --data data/rbc.data --cfg cfg/yolov3-spp.cfg --weights weights/yolov3-spp-ultralytics.pt
注意：
这里GPU是随机分配，可能会出现out of memory的情况，那就断开再连接，切换一下GPU，可能会分配更大内存的GPU
一般的做法是调整 batch-size ，使它更小：（原代码默认为 64 ）
!python3 train.py --data data/rbc.data --cfg cfg/yolov3-spp.cfg --weights weights/yolov3-spp-ultralytics.pt --batch-size 8
运行结果
Apex recommended for faster mixed precision training: https://github.com/NVIDIA/apex
Namespace(adam=False, batch_size=16, bucket='', cache_images=False, cfg='cfg/yolov3-spp.cfg', data='data/rbc.data', device='', epochs=300, evolve=False, freeze_layers=False, img_size=[320, 640], multi_scale=False, name='', nosave=False, notest=False, rect=False, resume=False, single_cls=False, weights='weights/yolov3-spp-ultralytics.pt')
Using CUDA device0 _CudaDeviceProperties(name='Tesla P100-PCIE-16GB', total_memory=16280MB)
Start Tensorboard with "tensorboard --logdir=runs", view at http://localhost:6006/
2020-10-06 05:20:13.854485: I tensorflow/stream_executor/platform/default/dso_loader.cc:48] Successfully opened dynamic library libcudart.so.10.1
Model Summary: 225 layers, 6.25787e+07 parameters, 6.25787e+07 gradients
Optimizer groups: 76 .bias, 76 Conv2d.weight, 73 other
Caching labels data/train.txt (332 found, 0 missing, 0 empty, 0 duplicate, for 332 images): 100% 332/332 [04:12<00:00, 1.31it/s]
Caching labels data/val.txt (4 found, 0 missing, 0 empty, 0 duplicate, for 4 images): 100% 4/4 [00:02<00:00, 1.38it/s]
Image sizes 320 - 640 train, 640 test
Using 2 dataloader workers
Starting training for 300 epochs...
Epoch gpu_mem GIoU obj cls total targets img_size
0% 0/21 [00:00<?, ?it/s]/usr/local/lib/python3.6/dist-packages/torch/cuda/memory.py:346: FutureWarning: torch.cuda.memory_cached has been renamed to torch.cuda.memory_reserved
FutureWarning)
0/299 13G 7.11 5.6 1.86 14.6 124 608: 100% 21/21 [01:31<00:00, 4.35s/it]
Class Images Targets P R mAP@0.5 F1: 0% 0/1 [00:00<?, ?it/s]/content/drive/My Drive/yolov3/test.py:148: UserWarning: This overload of nonzero is deprecated:
nonzero()
Consider using one of the following signatures instead:
nonzero(*, bool as_tuple) (Triggered internally at /pytorch/torch/csrc/utils/python_arg_parser.cpp:766.)
ti = (cls == tcls_tensor).nonzero().view(-1) # target indices
Class Images Targets P R mAP@0.5 F1: 100% 1/1 [00:31<00:00, 31.99s/it]
all 4 23 0 0 0.00144 0
Epoch gpu_mem GIoU obj cls total targets img_size
1/299 8.42G 5.32 4.42 1.47 11.2 119 320: 100% 21/21 [00:30<00:00, 1.43s/it]
Class Images Targets P R mAP@0.5 F1: 100% 1/1 [00:09<00:00, 9.88s/it]
all 4 23 0.498 0.075 0.152 0.13
Epoch gpu_mem GIoU obj cls total targets img_size
......中间省略
299/299 16.1G 0.758 0.527 0.014 1.3 133 320: 100% 21/21 [00:24<00:00, 1.18s/it]
Class Images Targets P R mAP@0.5 F1: 100% 1/1 [00:00<00:00, 2.90it/s]
all 4 23 0.518 0.833 0.711 0.633
300 epochs completed in 2.405 hours.
13 更改detect.py文件（在yolov3目录下）
注意：
找到第170行，把coco.names改成rbc.names，如下图 default='data/rbc.names'
14 往yolov3/data/samples文件夹上传图片（用于检测训练效果）
注意：
这里上传的图片不能是训练的图片，需要的是没训练过的图片
15 开始检测（结果会保存在yolov3/output文件夹里面）
注意：output文件可以提前新建，如果没有代码运行后也会生成，记得刷新谷歌云盘就行
!python3 detect.py --cfg cfg/yolov3-spp.cfg --weights weights/best.pt
运行结果
Namespace(agnostic_nms=False, augment=False, cfg='cfg/yolov3-spp.cfg', classes=None, conf_thres=0.3, device='', fourcc='mp4v', half=False, img_size=512, iou_thres=0.6, names='data/rbc.names', output='output', save_txt=False, source='data/samples', view_img=False, weights='weights/best.pt')
Using CUDA device0 _CudaDeviceProperties(name='Tesla P100-PCIE-16GB', total_memory=16280MB)
Model Summary: 225 layers, 6.25787e+07 parameters, 6.25787e+07 gradients
image 1/147 data/samples/00000413.jpg: 320x512 Done. (0.023s)
image 2/147 data/samples/00000414.jpg: 320x512 Done. (0.021s)
image 3/147 data/samples/00000415.jpg: 320x512 Done. (0.017s)
......中间省略
image 147/147 data/samples/00000667.jpg: 320x512 7 1s, 2 2s, Done. (0.019s)
Results saved to /content/drive/My Drive/yolov3/output
Done. (62.951s)
注意
如果出现以下报错：在运行代码前面加上感叹号！即可
3 总结
1.yolov3训练效果还不错，目前数据集只有不到400张图片，后期还要标注
2.GitHub上面大佬真的多，非常棒
3.白嫖谷歌的GPU，300epoch用时不到3个小时，很舒服
4.Google Colab平台我觉得类似于Linux命令行操作的，感觉命令挺类似的
5.对于结果可视化的代码还需要研究
6.这里只是运行成功，目前代码还没看懂，嘻嘻嘻！
7.这里要特别感谢波哥的鼎力相助，ღ( ´･ᴗ･` )比心
参考链接：（帮助很大的文章）
点击-------Pytorch实现YOLOv3训练自己的数据集