2021-04-28 YOLO实验记录

1.环境的配置

建议环境：Win10、支持CUDA的Nvidia显卡、Python3、CUDA>=9.0、CUDNN>=7.0、VS2015（或其他）、OPENCV<4.0
详细操作步骤参考：

• Yolov3+windows10+VS2015部署安装
• Windows安装+配置Yolov3(vs2019+NVIDIA+CUDA+cuDNN+OPENCV)
• YOLOv3/YOLOv4(GPU)+Win10+VS2019的配置（从０开始）
• how-to-compile-on-windows
  编译时可能遇到形如compute_75的错误，解决方法：用文本的方式打开darknet.vcxproj文件，将所有的compute_75替换为compute_50，将所有的sm_75替换为sm_50，具体替换成什么，请参考Compatibility。

2.基本用法

这一步我们尝试使用下刚刚编译好的YOLO。由于可能缺少模型的权重文件，我们从这里下载YOLO-V3权重文件（236MB）。然后将目录切换到D:\darknet-master\build\darknet\x64，在该文件夹下，按住Shift+鼠标右键，选择“在此处打开Powershell窗口选项”，打开命令行，输入以下语句：

./darknet.exe detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

正常情况下会得到以下效果：

同时也会得到predictions.jpg保存在相同目录下。

运行一次模型需要：

• 配置文件（.cfg）
• 权重文件（.weights）
• 被测图片

同时尝试将上述语句最后的data/dog.jpg分别替换为data/eagle.jpg, data/dog.jpg, data/person.jpg, or data/horses.jpg，查看效果吧。

上述语句中的detect是一种缩写，上述语句也等同于

./darknet.exe detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg

当然也可以载入一次模型进行多次预测，输入以下指令（就是去掉图片选项）：

./darknet.exe detect cfg/yolov3.cfg yolov3.weights

然后它会提示你输入图片路径：

输入路径后回车，按Ctrl+C退出输入状态。

除此之外，YOLO还提供设定阈值方法来剔除置信度过低的结果。例如若想显示所有结果则使用以下代码（此处阈值设置为0）：

./darknet.exe detect cfg/yolov3.cfg yolov3.weights data/dog.jpg -thresh 0

默认的阈值是0.25。

3.YOLOv3-Tiny

首先下载Tiny YOLOv3的权重文件（34MB），丢到与darknet.exe同级的目录下。

使用以下命令运行：

./darknet.exe detect cfg/yolov3-tiny.cfg yolov3-tiny.weights data/dog.jpg

可以看到tiny版本的精度略低，但是速度快。

3.1 使用摄像头或视频

使用以下命令在摄像头0（OPENCV默认使用摄像头0）运行Tiny YOLOv3

./darknet.exe detector demo cfg/coco.data cfg/yolov3-tiny.cfg yolov3-tiny.weights

使用参数-c 指定使用哪一只摄像头。

或者使用以下命令实现YOLOv3对视频的目标检测

./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights 

3.2 训练自己的YOLO

这里我们我们使用Pascal VOC2007数据集训练YOLOv3-tiny模型。关于该数据集的介绍，可以查看这篇文章。
具体步骤详情：

• How to train to detect your custom objects

• How to train tiny-yolo to detect your custom objects

4.数据准备

为了训练YOLO我们需要2007年的VOC数据集，可以从这里下载。下载完后解压，解压完训练数据都在VOCdevkit/文件夹下。

训练YOLO需要使用特别格式的标签数据文件，它是一个.txt文本文件。这个.txt文件的每一行是一个标签，一个文件对应一张图片，它看起来像这样：

注意： 此处的中心x、中心y、框width和框height是相对于图片宽度和高度的值，都是不大于1的小数。

转换公式：

为了得到这些.txt文件，我们可以方便地通过运行一个叫voc_annotation_2.py的脚本来生成。

将脚本保存到与VOC2007文件夹同级的目录，命名为voc_annotation_2.py，然后在此目录下打开命令行，执行：

python voc_annotation_2.py

很快，这个脚本会生成一些必要的文件。它生成了很多标签文件，位于VOCdevkit/VOC2007/labels/路径下。并且在与VOC2007同级的目录下，你应该会看到如下的文件：

2007_train.txt
2007_val.txt
2007_test.txt
train.txt
train.all.txt

如果是自己采集的数据，需要标注，请使用LabelImg或Yolo_mark工具，以生成YOLO格式的文本文件。然后将图片的路径汇总到一个文本文件，如train.txt、val.txt和test.txt里，一行一个图片路径。

5.准备模型

新建个文件夹，我们用来保存与模型有关的数据。我这里路径为：D:/model/voc_model/
我这里VOC2007文件夹位于：D:/dataset/VOCdevkit/，Darknet.exe位于D:/darknet-master/build/darknet/x64/

5.1准备权重文件

首先下载默认的权重文件到你刚刚新建的模型文件夹（我这里是D:/model/voc_model/）：

在模型文件夹运行如下指令，获取预训练的权重文件yolov3-tiny.conv.15，使用如下命令：

D:/darknet-master/build/darknet/x64/darknet.exe partial D:/darknet-master/build/darknet/x64/cfg/yolov3-tiny.cfg yolov3-tiny.weights yolov3-tiny.conv.15 15

其他预训练权重可以从这里下载

5.2修改配置文件

1.在模型文件夹创建一份VOC2007.names文本文件，其中该文件的每一行都是种类的名字，应该使得行数等于种类数classes的值。

2.在模型文件夹创建一份VOC2007.data文本文件，填入以下内容。classes是种类的个数、train是训练图片路径的文本文件，valid是验证图片路径的文本文件，names是种类名字的文件，backup路径则用于保存备份的权重文件（每迭代100次保存一次文件（带_last后缀），每1000次保存一次文件（带_xxxx后缀））。

如果没有验证集，则设置valid为与train相同的值即可，那么将测试在训练集上的精度。

classes = 20
train  = D:/dataset/VOCdevkit/train.txt
valid  = D:/dataset/VOCdevkit/2007_test.txt
names = VOC2007.names
backup = backup/

3.复制D:/darknet-master/build/darknet/x64/cfg/yolov3-tiny_obj.cfg文件，在模型文件夹另存为yolov3-tiny-obj.cfg，然后按照下述规则修改该文件：

• 修改使得batch=64
• 修改使得subdivisions=8
• 修改所有的classes值为20（这里classes是目标检测物体的种类个数）
• 修改所有位于行[yolo]之上的[convolutional]层的filters值为：$$filters=(classes+5)\ast 3$$ filters的值需要计算出来再填入。注意，这不是修改所有filters的值，仅仅是修改恰好位于[yolo]这行之上该层的filters的值，可能需要修改多处。
• 如果你要修改输入图像的width和height值，请注意这两个值必须能被32整除。

6.训练模型

在模型文件夹运行命令：

D:/darknet-master/build/darknet/x64/darknet.exe detector train VOC2007.data yolov3-tiny-obj.cfg yolov3-tiny.conv.15

• 如果你在avg loss里看到nan，意味着训练失败；在其他地方出现nan则是正常的。

• 如果出错并显示Out of memory，尝试将.cfg文件的subdivisions值增大（建议为$2^n$）。

• 使用附加选项-dont_show来关闭训练时默认显示的损失曲线窗口

• 使用附加选项-map来显示mAP值

• 训练完成后的权重将保存于你在.data文件中设置的backup值路径下

• 你可以从backup值的路径下找到你的备份权重文件，并以此接着训练模型

• 多GPU训练：How to train with multi-GPU

• 训练完成后使用命令./darknet.exe detector test data/obj.data yolo-obj.cfg yolo-obj_8000.weights针对输入的图片查看识别结果。