yolov3训练教程

本文将介绍yolov3官方版本的安装步骤以及训练教程
官网地址： https://pjreddie.com/

安装yolov3 及 测试yolov3

本小节是训练yolov3的先序工作，需要提前安装好所需的环境配置，包括ubuntu系统、nvidia驱动、cuda、cudnn及opencv3
注：ubuntu系统16.04或18.04均可，
nvidia驱动下载地址 https://www.nvidia.cn/Download/index.aspx?lang=cn
cuda下载地址 https://developer.nvidia.com/cuda-toolkit-archive
（cuda安装下载采用runfile文件，且安装过程中不要安装nvidia驱动）
cudnn下载地址https://developer.nvidia.com/rdp/cudnn-archive
（cudnn需要注册才能下载，选择与cuda对应的版本）
opencv的安装最好选择opencv3.*的版本

各个GPU部署环境安装教程百度一下， 你就知道
如果安装失败，还可以选择nvidia-docker进行快速部署https://github.com/NVIDIA/nvidia-docker

上述工作完成后，进入yolo官网测试步骤页面 https://pjreddie.com/darknet/install/
在Makefile将GPU、CUDNN、OPENCV置为1后，再根据官网步骤进行make编译

Makefile

训练自己的数据集

在这一步相信你已经安装好了yolo环境、源程序并通过了demo的测试
这一步将介绍如何从voc数据集开始利用yolov3源码训练自己的数据集
官网页面https://pjreddie.com/darknet/yolo/

VOC2Yolo

官网的yolo程序自定义了一套数据读取格式，如下所示：

上述展示了一个图片的标注文件，yolo以txt格式存储每个图像标注数据，每行代表一个目标框，以空格分隔:
第一个数字是目标类别，从0统计；
第二个是归一化的目标框中心点x坐标；第三个是归一化后的中心点y坐标；
第四个是归一化后的目标框宽度w；第五个是归一化后的目标框高度h.

YOLO官网提供了一份voc的转换脚本，其中类别和读取文件夹路径等信息需要根据自己数据集进行修改，使用该脚本需确保文件夹的目录结构与voc保持一致。
https://pjreddie.com/media/files/voc_label.py

修改配置文件

网络配置文件修改

1. 第一步选定网络模型
   在本小节中在cfg文件夹中找到yolov3.cfg网络配置文件
   如果需要利用网络进行推断，则打开Testing下两行的batch和subdivisions ，注释Traning下两行的batch和subdivisions
   如果需要利用网络进行训练，则打开Training下两行的batch和subdivisions ，注释Testing下两行的batch和subdivisions

yolov3.cfg

2.修改网络模型类别
在这里我们要训练的类别有三类：分别是黄色、红色和蓝色，所以如下图所示，需要将类别classes改为3，在class的前一层卷积网络中将filters改为3*（5+len（classes）），在这里需要改为24,在整个网络配置文件中需要修改的classes和filters各有三处，如果没有都按自己的类别修改，则训练或测试可能会报错。

yolov3.cfg

3.修改读取数据集及相关配置文件
第一步：找到配置文件
配置文件中定义了类别个数、读取训练集/测试集列表、类别名称及保存权重路径

上图展示了以cfg/coco.data文件修改后的显示结果
其中train.txt里存放着所有待训练的图片路径名称，test.txt文件同理，如下图所示：
训练列表需要自己创建，每行的路径采用绝对路径记录图片名

classes.names存放所有类别的名称，需要与标注索引顺序相对应：

进行训练

在调整好配置文件后，就可以通过命令开始训练了
首先切换到yolo源码的根目录下，命令格式如下
./darknet detector train path/to/your/config.data path/to/your/net.cfg [path/to/your/pretrained_weight]
注：方括号表示可选输入，预训练权重可在官网下载

进行测试

在这一步中，利用yolov3训练后的模型进行图像的推断
命令格式如下：
./darknet detector test path/to/your/config.data path/to/your/net.cfg path/to/your/trained.weights path/to/your/image
注：这里的网络的配置需要打开Testing部分,注释Training部分
如果检测正确的话，说明训练成功。