yolo环境配置与数据训练

1.CPU版配置

1.1软件环境

Windows10 + pencv310 + visual studio2015

1.2修改darknet_no_gpu.sln

红圈中第一行的数字表示vs 版本（vs2013 为12，vs2015 为14）；第二行中蓝圈画出的序列为自己的vs 序列，vs 版本查看方法如下: 使修改上图蓝圈
中的版本号使其与下图蓝圈中的版本号一致；

如果版本号不一致用 visualstudio 打开darknet_no_gpu.sln 的时候会出现如下错误：

1.3 修改darknet_no_gpu.vcxproj

打开darknet_no_gpu_vcxproj,将opencv 的include 和lib 路径都改成自己的opencv 存储路径；

1.4 打开darknrt_no_gpu.sln

用vs2015 打开darknet_no_gpu.sln， 更改成 release 模式 x64 （debug 用的不是OpenCV 库）,之后在项目名称上点击右键，选择 “生成”，之后在路径darknet-master\build\darknet\X64 下就能找到生成的darknet_no_gpu.exe

1.5 测试

1.下载训练权重文件yolov3.weights, 放到路径darknetmaster\build\darknet\X64 中；
2.cmd 窗口进入以上文件夹内，输入darknet_no_gpu.exe detector test data/coco.data yolov3.cfg yolov3.weights 根据提示输入图片路径；

2.GPU版配置

2.1 软件环境

Windows10 + pencv310 + visual studio2015+CUDA10.0+cuDNN7.5

2.2 CUDA 与cuDNN

CUDA 是NVIDIA 推出的GPU 并行计算框架； cuDNN 7.5 是对应版本CUDA10 的，cuDNN 是NVIDIA 针对深度神经网络的加速库，是一个用于深层神经网络的GPU 加速库，非必需。
必须要在visual Studio2015 安装完成之后，不然后续运行的时候会出现错误，作者也提到过，如果安装顺序反了，可以将CUDA10.0 卸载重装。

2.3 修改darknet.sln

2.4 修改darknet.vcxproj

2.5 打开darknet.sln

修改完成后用vs2015 打开 darknet.sln，更改成 release 模式 x64 ,之后在项目名称上点击右键，选择 “生成”，之后在路径 darknet-master\build\darknet\X64下就能找到生成的 darknet.exe

2.6 视频测试

1.下载训练权重文件yolov3.weights,放到路径darknet-master\build\darknet\X64 中；
2. cmd 进入以上文件夹： darknet.exe detector demo cfg/coco.data yolov3.cfg yolov3.weights -i 0 -thresh 0.25 -ext_output test.mp4

3.YOLO3数据训练

3.1 数据准备

1.收集训练图片：将训练图片分布到两个文件夹内trainImg 与valImg（图片必须是24 位，否则xml 转txt 会出错）。
2.标注：使用LabelImg 对图片标注，生成xml 后缀的同名文件。

3.准备KD.names 文件：一般放在文件夹build\darknet\x64\data 内，该文件内每一行为一个类名，根据实际需要进行修改：

Kuli
Dulante

4.准备KD.data 文件：一般放在文件夹build\darknet\x64\data 内，该文件夹指明所需数据的存储位置：

classes= 2
train = data/train.txt
valid = data/val.txt
names = data/KD.names
backup = backup/

5.生成train.txt 和val.txt：train.txt 包含trainImg 中所有图片的路径信息，每个图片占用一行；val.txt 包含valImg 中所有图片的路径信息，每个图片占用一行。格式如下：

data/train_images/1.jpg
data/train_images/2.jpg

3.2 准备yolo3-KD.cfg_train 文件

创建yolov3-KD.cfg_train（一般放在文件夹build\darknet\x64\cfg 内），内容复制文件夹build\darknet\x64\cfg\yolov3.cfg 里的内容：然后做如下修改：
1.每次计算的图片数目=batch/subdivisions，然后将结果合起来也就是一个batch 更新模型一次，如果电脑配置低batch 设置过大，会弹出显存不够的错误；

2.修改classes 类别数，文件中共有三处需要修改：行数610，696，783
3.修改filter:filter 计算公式为(classes+5)×3，共两类，filter=21。文件中有多出filter，只需要修改[yolo]层与[convolutional]层之间的filter,位于行数603，689，776



3.3 准备预训练权重darknet53.conv.74
下载以上文件，放在文件夹build\darknet\x64)。
3.4 训练
cmd 窗口切换到build\darknet\x64 文件夹下，使用以下命令：
darknet.exe detector train data/KD.data cfg/yolov3-KD.cfg_train
darknet53.conv.74