ubuntu+darknet+yolov3训练自己数据
配合视频教程
https://b23.tv/TLu3Kz?share_medium=android&share_source=qq&bbid=XYA9FFBA550EAD7C8938BBF0490F0365E1F05&ts=1635428627070
前提环境
python3.6
有NVIDLA显卡
安装了NVIDLA驱动和cuda和cudnn
（安装了NVIDLA驱动和cuda和cudnn教程很多如：Ubuntu18.04 RTX2070 显卡驱动、Cuda、cudnn和Pytorch深度学习环境配置——亲测可用_zhanghm1995的博客-CSDN博客）
标注
打开标注软件
cd labelImg
make qt5py3
python3 labelImg.py
（如果没有标注软件，就下载一个）
sudo apt-get install pyqt5-dev-tools
sudo apt-get install python3-lxml
sudo apt-get install libxml2-dev libxslt-dev
sudo pip3 install lxml
git clone https://github.com/tzutalin/labelImg.git
(原文链接：https://blog.csdn.net/weixin_44152895/article/details/107410398)
开始标注
1. 随便建一个文件夹（我的是lll，以下的我也用lll称呼）
将所以要训练的图片，放到lll文件夹中
再随便建一个文件夹（我的是lll_txt，以下的我也用lll_txt称呼）
这个暂时是空的，目的是一会儿放txt文件
2. 点击Open Dir
3.点击lll，点击Open(右上角)
4.点击 Change Save Dir
5.点击lll_txt，点击Open(右上角)
6.最后那个图标切换为yolo（点击切换）
7.最后那个图标就能标注了
8.红色点red蓝色blue（一般没有red和blue这两个选项，）
（一般没有red和blue这两个选项，去labelImg/data/predefined_classes.txt修改）
9.点击Save保存
此时我们就能看到lll_txt中有一个1.txt文件了（classes.txt不用管它，） 重复此步骤
标记了足够多的图片，开始训练。
1.下载darknet
终端输入：
git clone https://github.com/AlexeyAB/darknet
2.下载yolov3
终端输入：
wget https://pjreddie.com/media/files/yolov3-tiny.weights
3.文件整理
把lll和lll_txt托到darknet/data/glass_hair下（glass_hair这个是自己随便建的）
并且把lll和lll_txt的文件复制到darknet/data/glass_hair下新文件夹lll3中（classes.txt除外）
在 glass_hair下新建train.txt和test.txt
train.txt存lll3下80%图片的地址用来训练
test.txt存lll3下剩下20%图片的地址用来检测
4.将data下的coco.names和voc.names都改为（保险起见都改）
red
blue
5.将cfg下的coco.data和voc.data都改为（保险起见都改）
classes= 2
train = /home/tyt/darknet/data/glass_hair/train.txt
valid = /home/tyt/darknet/data/glass_hair/test.txt
names = data/voc.names
backup = backup
6.改cfg/yolov3-tiny.cfg
所有classes=2
表黄的filters=21
filters=3*(classes+5)
其余的可以改（改不改看性能）
如：
[net]
# Testing
#batch=1
#subdivisions=1
# Training
batch=8
subdivisions=2
width=416
height=416
channels=3
momentum=0.9
decay=0.0005
angle=0
saturation = 1.5
exposure = 1.5
hue=.1
learning_rate=0.001
burn_in=1000
max_batches = 500000
policy=steps
steps=400000,450000
scales=.1,.1
[convolutional]
batch_normalize=1
filters=16
size=3
stride=1
pad=1
activation=leaky
[maxpool]
size=2
stride=2
[convolutional]
batch_normalize=1
filters=32
size=3
stride=1
pad=1
activation=leaky
[maxpool]
size=2
stride=2
[convolutional]
batch_normalize=1
filters=64
size=3
stride=1
pad=1
activation=leaky
[maxpool]
size=2
stride=2
[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky
[maxpool]
size=2
stride=2
[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky
[maxpool]
size=2
stride=2
[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky
[maxpool]
size=2
stride=1
[convolutional]
batch_normalize=1
filters=1024
size=3
stride=1
pad=1
activation=leaky
###########
[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky
[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky
[convolutional]
size=1
stride=1
pad=1
filters=21
activation=linear
[yolo]
mask = 3,4,5
anchors = 10,14, 23,27, 37,58, 81,82, 135,169, 344,319
classes=2
num=6
jitter=.3
ignore_thresh = .7
truth_thresh = 1
random=0
[route]
layers = -4
[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky
[upsample]
stride=2
[route]
layers = -1, 8
[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky
[convolutional]
size=1
stride=1
pad=1
filters=21
activation=linear
[yolo]
mask = 0,1,2
anchors = 10,14, 23,27, 37,58, 81,82, 135,169, 344,319
classes=2
num=6
jitter=.3
ignore_thresh = .7
truth_thresh = 1
random=0
终端输入开始训练
./darknet detector train cfg/voc.data cfg/yolov3-tiny.cfg | tee person_train_log.txt
./darknet detect cfg/yolov3-tiny.cfg backup/yolov3-tiny_10000.weights +图片地址
