Darknet版yolov3训练自己的数据集

一、在darknet文件夹下建立VOC格式目录

    VOCdevkit
        VOC2028
            Annotations
            JPEGImages
            ImageSets
                Main

二、将数据移到VOC目录下

    cp *.jpg ~/darknet/VOCdevkit/VOC2028/JPEGImages
    cp *.xml ~/darknet/VOCdevkit/VOC2028/Annotations

    将所有脚本拷贝到cp  *  ~/darknet/VOCdevkit/VOC2028

三、在终端运行Main_devide.py

    cd ~/darknet/VOCdevkit/VOC2028
    python3 Main_devide.py /home/town/darknet/VOCdevkit/VOC2028

四、检验数据集

    复制文件  检查图片是否损坏.py  到   VOC2028所在文件夹
    终端运行：python3 检查图片是否损坏.py

    复制文件  检查XML文件是否出现无效框.py  到   VOC2028所在文件夹
    终端运行：python3 检查XML文件是否出现无效框.py
    
    复制文件  对比数量是否一致.py  到  VOC2028所在文件夹
    终端运行：python3 对比数量是否一致.py

五、将voc_label.py复制到darknet目录下

    cp ~/darknet/scripts/voc_label.py  ~/darknet
    
    将：sets=[('2012', 'train'), ('2012', 'val'), ('2007', 'train'), ('2007', 'val'), ('2007', 'test')]
    改为：sets=[('2028', 'train'), ('2028', 'val'), ('2028', 'test')]
    
    classes=["需要训练的类别名称"]
    
    最后两行：os.system("cat 2007_train.txt 2007_val.txt 2012_train.txt 2012_val.txt > train.txt")
             os.system("cat 2007_train.txt 2007_val.txt 2007_test.txt 2012_train.txt 2012_val.txt > train.all.txt")
    改为：os.system("cat 2028_train.txt 2028_val.txt > train.txt")
         os.system("cat 2028_train.txt 2028_val.txt 2028_test.txt  > train.all.txt")
    
    改完后保存，darknet打开终端运行：python3 voc_label.py
    复制darknet下的5个新文件到 VOCdevkit 中

六、在darknet文件夹新建 VOC_train_core 文件夹

    cp  ~/darknet/cfg/voc.data  ~/darknet/VOC_train_core
    cp  ~/darknet/data/voc.names  ~/darknet/VOC_train_core
    
    cp  ~/darknet/cfg/yolov3.cfg ~/darknet/VOC_train_core/yolo-obj.cfg
    
    #修改yolo-obj.cfg：
    batch=16                 （根据显存，或者2的倍数）
    subdivisions=16          （根据显存，或者2的倍数）
    width=416                （32的倍数）
    height=416               （32的倍数）
    
    max_batches = 24000      （类别数量*2000）
    steps=19200,21600        （0.8*max_batches，0.9*max_batches）
    
    搜索yolo，有3个地方
    filters=39               （ (类别数量+5)*3 ）
    classes=8                （类别数量）

###batch=64 每batch个样本更新一次参数。
###subdivisions=16 如果内存不够大，将batch分割为subdivisions个子batch，每个子batch的大小为batch/subdivisions。

七、修改voc.data 和 voc.name 文件

    train  = /home/town/darknet/VOCdevkit/train.txt
    valid  = /home/town/darknet/VOCdevkit/2028_test.txt
    names = /home/town/darknet/VOC_train_core/voc.names
    backup = /home/town/darknet/backup/

八、开始训练

cd ~/darknet

    新的训练：
    ./darknet detector train /home/town/darknet/VOC_train_core/voc.data /home/town/darknet/VOC_train_core/yolo-obj.cfg -map
    
    断点训练：
    ./darknet detector train /home/town/darknet/VOC_train_core/voc.data /home/town/darknet/VOC_train_core/yolo-obj.cfg /home/town/darknet/backup/yolo-obj_last.weights -map
    
    补充训练：
    ./darknet detector train /home/town/darknet/VOC_train_core/voc.data /home/town/darknet/VOC_train_core/yolo-obj.cfg /home/town/darknet/backup/yolo-obj_final.weights -clear -map

九、查看训练效果

    cd ~/darknet
   
   ./darknet detector map /home/town/darknet/VOC_train_core/voc.data /home/town/darknet/VOC_train_core/yolo-obj.cfg /home/town/darknet/backup/yolo-obj_last.weights

备注：
./darknet detector test [-thresh] [-out]
./darknet detector train [-thresh] [-gpu] [-gpus] [-clear]
./darknet detector valid [-out] [-thresh]
./darknet detector recall [-thresh]

'<>'必选项，’[ ]‘可选项

data_cfg：数据配置文件，eg：cfg/voc.data

models_cfg：模型配置文件，eg：cfg/yolov3-voc.cfg

weights：权重配置文件，eg：weights/yolov3.weights

test_file：测试文件，eg：//*/test.txt

-thresh：显示被检测物体中confidence大于等于 [-thresh] 的bounding-box，默认0.005

-out：输出文件名称，默认路径为results文件夹下，eg：-out “” //输出class_num个文件，文件名为class_name.txt；若不选择此选项，则默认输出文件名为comp4_det_test_“class_name”.txt

-i/-gpu：指定单个gpu，默认为0，eg：-gpu 2

-gpus：指定多个gpu，默认为0，eg：-gpus 0,1,2

 ./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
 ./darknet detector demo coco.data ./cfg/yolov3.cfg ./yolov3.weights 1.avi