YoloV3学习笔记（三）—— 训练

YoloV3学习笔记（三）—— 训练

在经过环境配置和打标签之后，便开始进行我们最终的目标——训练数据集。

一、数据准备

以下给出了网上红细胞的数据集以及Yolov3的pytorch框架：

链接:
数据集
框架

二、代码导入

1、将下载好的代码在pycharm中打开，如下图所示

2、配置编译环境
仅仅依靠我们第二节配置的环境来运行YoloV3是远远不够的，下载的文件夹中有一个requirement的文件，里面包含了运行这个代码的最低环境，如果你的环境中没有这些库，他会在顶端出现一个Install…(下图黄线位置，因为我已经装好了，所以没有提示)

如果没有提示也不用担心，还有几种简单的方法：
1> 使用第二节我们讲的方法，进入基础环境，使用pip进行安装，在 [ 此网站 ]输入库的名字则会自动出现该库的各个版本，选择合适的进行pip安装即可。


2> 在pycharm中安装

依次点击



找到第二节用Anaconda创建的pytorch基本环境（用Anaconda创建的环境都在envs中）

接着就是两个ok搞定

黄色区域会显示你现在环境中包含的库，如果没有满足requirement中的库，就可以点击**+或-**进行增加删减

至此，代码和库的导入就完成了！

注意： 此方法不是绝对成功的，有些库还是需要使用第一种方法才能安装成功，实在安不上去就改变他要求里的版本，但是得大差不差（软件是死的，人是活的，不要跟它死磕），我就改变了里面的两个要求。

3> 在Anaconda中安装

依次点击


选择 Not installed ，然后进行搜索安装

注意： 该方式和方法二一样，并不是万能的。

三、数据装载

1、将之前下好的 Annotations 和 JPEGImages 放入到该项目的data 文件夹下，并新建文件ImageSets，labels，复制JPEGImages，重命名images。

2、根目录创建并运行makeTxt.py，用于将数据分成训练集，测试集和验证集，其中比例可以在代码中设置，代码如下：

import os
import random
 
trainval_percent = 0.1
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
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('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/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()

运行完成后，在ImageSets中会得到四个文件。

3、根目录下创建并运行voc_label.py，得到labels的具体内容以及data目录下的train.txt，test.txt，val.txt，这里的train.txt与之前的区别在于，不仅仅得到文件名，还有文件的具体路径。代码如下：

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
 
sets = ['train', 'test','val']
 
classes = ["RBC"]#我们只是检测细胞，因此只有一个类别
 
 
def convert(size, box):
    dw = 1. / size[0]
    dh = 1. / size[1]
    x = (box[0] + box[1]) / 2.0
    y = (box[2] + box[3]) / 2.0
    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(image_id):
    in_file = open('data/Annotations/%s.xml' % (image_id))
    out_file = open('data/labels/%s.txt' % (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)
        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()
print(wd)
for image_set in sets:
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
    list_file = open('data/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write('data/images/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

labels文件下的信息

data目录下txt文件

4、在data目录下新建rbc.data，配置训练的数据，内容如下

classes=1
train=data/train.txt
valid=data/test.txt
names=data/rbc.names
backup=backup/
eval=coco

5、在data目录下新建rbc.names，配置预测的类别，内容为RBC

6、在项目中创建cfg文件夹，并去YoloV3官网下载 .cfg 子文件，在原工程下cfg目录下有很多的yolov3网络结构，我们本次采用的是yolov3-tiny.cfg。

7、因为我们只是估计了一个类，所以需要对yolov3-tiny.cfg文件进行修改，主要是3个 [yolo] 之前的 filter , 将值都改为 18（（1+4+1）*3 = 18），具体代码如下：

[net]
# Testing （训练隐去这两行）
#batch=1    
#subdivisions=1

#Training  （测试隐去这两行）
batch=64
subdivisions=2

width=416
height=416
channels=3
momentum=0.9
decay=0.0005
angle=0
saturation = 1.5
exposure = 1.5
hue=.1

learning_rate=0.001
burn_in=1000
max_batches = 500200
policy=steps
steps=400000,450000
scales=.1,.1

[convolutional]
batch_normalize=1
filters=16
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=32
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=64
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=1

[convolutional]
batch_normalize=1
filters=1024
size=3
stride=1
pad=1
activation=leaky

###########

[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky

[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky

[convolutional]
size=1
stride=1
pad=1
filters= 18
activation=linear



[yolo]
mask = 3,4,5
anchors = 10,14,  23,27,  37,58,  81,82,  135,169,  344,319
classes= 1
num=6
jitter=.3
ignore_thresh = .7
truth_thresh = 1
random=1

[route]
layers = -4

[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky

[upsample]
stride=2

[route]
layers = -1, 8

[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky

[convolutional]
size=1
stride=1
pad=1
filters = 18
activation=linear

[yolo]
mask = 0,1,2
anchors = 10,14,  23,27,  37,58,  81,82,  135,169,  344,319
classes = 1
num = 6
jitter=.3
ignore_thresh = .7
truth_thresh = 1
random=1

8、获取权重: yolov3-tiny.weights 和 yolov3-tiny.conv.15 ，下载后放入weights 文件夹即可。

链接：
YoloV3官网
良心博主总结：点击此处获得各类权重
百度网盘—提取码：t7vp

四、模型训练

1、训练

1、首先去cfg文件修改训练和测试的值。

2、在pycharm的 Terminal 下输入以下命令：

python train.py --data-cfg data/rbc.data --cfg cfg/yolov3-tiny.cfg --epochs 10

或目录下直接右键 run train

3、结果如下所示

2、测试

1、首先去cfg文件修改训练和测试的值。

2、目录下直接右键 run test 得出以下结果

3、预测

1、在 data 文件夹中的 samples 文件夹放入待检测的图片

2、在pycharm的 Terminal 下输入以下命令：

python detect.py --data-cfg data/rbc.data --cfg cfg/yolov3-tiny.cfg --weights weights/best.pt

或目录下直接右键 run detect

3、可在工程目录的 output 文件夹中看到被检测的照片

总结

本文只是阐述了YoloV3的整个流程，并未说明这就是按操作运行的结果，全程按照该文章去训练是不会成功的（我已经被坑了很多次），因为里面还有很多文件多余需要删除，还有很多参数需要调整。

在此，我给出一位博主的代码，是他的代码给了我很大的启发，才让我运行成功，也希望你们能够在其中学到知识。

链接：
免费代码
付费代码
付费权重