YoloV3训练自己数据集精简流程，FLIR红外数据集（thermal dataset）训练

本文主要是简述如何训练自己的数据集，这里以FLIR的红外数据集为例，配置运行以及原理不再叙述

1.修改Makefile

这步一般已经在配置运行的时候已经做过了，没什么大问题

 

2.将自己的数据集处理成yolo训练所需的数据集格式

FLIR官方开源的数据集结构如下：

这里的标签文件是一个json文件，而yolo需要的标签文件是txt文件，处理代码链接：https://blog.csdn.net/hello_levy/article/details/105212876

处理后的标签如下，第一个整数代表的是类别，我这里2代表的是car，后面是目标框的中心点和长宽归一化后得到的坐标

每张图片对应一个txt文件：

所以我们自己的数据集要做的处理就是：

     a.每张图片需要对应一个txt文件的标签文件

    b.标签格式为    <中心点坐标>  <长宽> ，有下个检测目标的信息则换行，格式一致，需要归一化处理

至此，数据集格式处理完成

 

3.生成train.txt val.txt

这一步是生成训练集和验证集图片的路径list，代码如下：

import glob
import os

os.chdir("/训练集图片所在路径/")
for file in glob.glob("*.jpeg"):
    label = "/训练集在被训练时所想要放的路径/" + file + '\n'
    print(label)
    print(file)
    file = open('../' + 'train.txt的名称' + '.txt', 'a')
    file.write(label)
    file.close()

可以得到以下内容（所有训练集图片的路径含文件名都在这个txt文件中）：

 

4. 修改cfg文件

这里以yolov3-spp.cfg为例，其他原理一致一共四个地方需要修改

首选，batch和subdivisions的设置，根据自己情况可以稍作修改，

batch：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

 其次要修改的地方是三个相同的地方，都需要修改，例举一个

每个yolo层以及yolo层前一个convolution层需要修改

filters ：3x(classes数目+5)，和聚类数目分布有关，详情见论文

classes：类别数

其他暂时不用修改，想修改可以参考：https://github.com/AlexeyAB/darknet

至此，需要训练的cfg文件修改完成

 

5.修改.names和.data文件

文件所在路径：

data/voc.names     自己有什么类别就填什么，需要注意顺序！，第一个代表的是你标签类别中0代表的类

cfg/voc.data 

classes= 3  #类别数
train  = /home/levy/Dataset/train_flir_images_list.txt  #步骤3中train.txt所在路径
valid  = /home/levy/Dataset/val_flir_images_list.txt  #步骤3中val.txt所在路径
names = data/voc.names
backup = /home/levy/thermal_detection/yolo_model/model_v1 #训练保存模型的路径

 

6.关联标签与图片

 这里因为我的各文件路径都是随心所欲，所以我直接将标签（一系列.txt文件）放到了训练集图片所在的文件夹，有更好的办法请大佬指点，如图： 

 

7.训练

至此前期准备都完成了，可以直接训练，如果修改了Makefile文件，则需要make clean之后 再进行make

训练命令

./darknet detector train <.data文件路径> <.cfg文件路径> <预训练权重路径（非必须）> <如果有多块gpu，指定gpu：-gpus 0,2>


预训练权重下载：
wget https://pjreddie.com/media/files/darknet53.conv.74