YoLov3训练自己的数据集

时间：2022-04-03 05:29:37

工具：labelimg、MobaXterm

1.标注自己的数据集。用labelimg进行标注，保存后会生成与所标注图片文件名相同的xml文件，如图。我们标注的是井盖和路边栏，名称分了NoManholeCover、ManholeCover、WarningStick共3类标签名

2.下载yolov3项目工程。按照YoLo官网下载

  1. git clone https://github.com/pjreddie/darknet
  2. cd darknet
  3. make

3.修改Makefile文件（文件就在下载的darknet文件夹内）

vi Makefile #打开文件

  1. GPU=1#使用GPU训练，其他的没有用，所以没有置为1，可根据自己的需要调整
  2. CUDNN=0
  3. OPENCV=0
  4. OPENMP=0
  5. DEBUG=0

make #保存并退出后，进行make才可生效，如果出现错误，自行百度。

3.准备数据集。在darknet/scripts文件夹下创建文件夹VOCdevkit（因为scripts文件夹下有voc_label.py文件，它的作用下面会说，下面创建的文件也跟它有关），根据下图在VOCdevkit文件夹下创建文件，并放入相应的数据

  1. VOCdevkit
  2. ——VOC2007 #文件夹的年份可以自己取,但是要与你其他文件年份一致，看下一步就明白了
  3. ————Annotations #放入所有的xml文件
  4. ————ImageSets
  5. ——————Main #放入train.txt,val.txt文件
  6. ————JPEGImages #放入所有的图片文件
  7. Main中的文件分别表示test.txt是测试集，train.txt是训练集，val.txt是验证集，trainval.txt是训练和验证集，反正我只建了两个

注意：Linux环境下Annotations和IPEGImages中的文件权限一定是-rw-r--r--，不然会影响模型准确率！！！

其中Main中的txt文件是要写文件名，比如train.txt里写的是用来训练的图片的文件名(不包含后缀，只是文件名哦！！！)，这个文件可以找代码生成（下面的python代码可以用），代码的话看懂他的作用，特别的文件的路径之类的，根据自己的情况修改下，就可以用

import os

import random

train_percent = 0.50

xmlfilepath = 'Annotations'

txtsavepath = 'ImageSets\Main'

total_xml = os.listdir(xmlfilepath)

num=len(total_xml)

list=range(num)

tr=int(num*train_percent)

train=random.sample(list,tr)

ftrain = open('ImageSets/Main/train.txt', 'w')

fval = open('ImageSets/Main/val.txt', 'w')

for i  in list:

name=total_xml[i][:-4]+'\n'

if i in train:

ftrain.write(name)

else:

fval.write(name)

ftrain.close()

fval.close()

print ("finished")

5.修改voc_label.py，这个文件就是根据Main中txt里的文件名，生成相应的txt，里面存放的是它们的路径

  1. sets=[('2007', 'train'), ('2007', 'val')] #这里要与Main中的txt文件一致
  2. classes = ["ManholeCover","NoManholeCover","WarningStick"] #你所标注的表签名，第一步中已经说过
  3. #os.system("cat 2007_train.txt 2007_val.txt > train.txt") #文件最后一句，意思是要将生成的文件合并，所以很据需要修改，这里的年份都是一致的，简单理解下代码应该会懂，不要盲目修改

python voc_label.py #保存后运行

运行后会生成2007_train.txt、2007_val.txt如图

6.下载Imagenet上预先训练的权重，放到scripts目录下

wget https://pjreddie.com/media/files/darknet53.conv.74

7.修改cfg/voc.data，重命名为voc-cover.data

  1. classes= 3#classes为训练样本集的类别总数，第一步中说了我分了5类标签
  2. train = /darknet/scripts/2007_train.txt #train的路径为训练样本集所在的路径，上一步中生成
  3. valid = /darknet/scripts/2007_val.txt #valid的路径为验证样本集所在的路径，上一步中生成
  4. names = data/voc-cover.names #names的路径为data/voc-cover.names文件所在的路径
  5. backup = backup

8.修改data/voc.names，重命名为voc-cover.names

  1. NoManholeCover
  2. ManholeCover
  3. WarningStick
  4. #修改为自己样本集的标签名即第一步中标注的标签名

9.修改cfg/yolov3-voc-cover.cfg

  1. [net]
  2. # Testing
  3. # batch=1 #这里的batch跟subdivisions原来不是注释掉的，但是训练后没成功，有的blog上说为1的时候太小难以收敛，但是不知道下面训练模式的 batch=64 subdivisions=8 会不会覆盖掉，总之注释掉后就成功了，不过这个脚本不是很明白，还来不及验证
  4. # subdivisions=1
  5. # Training
  6. batch=64
  7. subdivisions=8
  8. ......
  9. [convolutional]
  10. size=1
  11. stride=1
  12. pad=1
  13. filters=24#---------------修改为3*（classes+5）即3*（3+5）=24
  14. activation=linear
  15. [yolo]
  16. mask = 6,7,8
  17. anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326
  18. classes=3#---------------修改为标签类别个数，5类
  19. num=9
  20. jitter=.3
  21. ignore_thresh = .5
  22. truth_thresh = 1
  23. random=0#1，如果显存很小，将random设置为0，关闭多尺度训练；（转自别的blog，还不太明白）
  24. ......
  25. [convolutional]
  26. size=1
  27. stride=1
  28. pad=1
  29. filters=24#---------------修改同上
  30. activation=linear
  31. [yolo]
  32. mask = 3,4,5
  33. anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326
  34. classes=3#---------------修改同上
  35. num=9
  36. jitter=.3
  37. ignore_thresh = .5
  38. truth_thresh = 1
  39. random=0
  40. ......
  41. [convolutional]
  42. size=1
  43. stride=1
  44. pad=1
  45. filters=24#---------------修改同上
  46. activation=linear
  47. [yolo]
  48. mask = 0,1,2
  49. anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326
  50. classes=3#---------------修改同上
  51. num=9
  52. jitter=.3
  53. ignore_thresh = .5
  54. truth_thresh = 1
  55. random=1

10.开始训练

  1. ./darknet detector train cfg/voc-cover.data cfg/yolov3-voc-cover.cfg scripts/darknet53.conv.74 -gpus 0,1
  2. #注意文件路径
  3. 训练默认的是前1000轮每100轮保存一次模型，1000轮后每10000轮保存一次模型。可以修改examples/detector.c文件的138行。修改完重新编译一下，在darknet目录下执行make。

11.测试识别。训练后会在backup文件夹下生成权重文件，利用生成的权重文件进行测试

./darknet detector test cfg/voc-cover.data cfg/yolov3-voc-cover.cfg backup/yolov3-voc_600.weights data/210.jpg

以上对于一些文件的理解也是多次失败的收获，可能并不全对，有误请指正，遇到问题也可以交流。

DarkNet的Python接口：

注意使用Python测试的时候必须要有GPU和安装好cuda驱动，因为作者提供的Python的接口只有GPU调用函数

作者给出的使用的Demo为：

```python

# Stupid python path shit.

# Instead just add darknet.py to somewhere in your python path

# OK actually that might not be a great idea, idk, work in progress

# Use at your own risk. or don't, i don't care

import sys, os

sys.path.append(os.path.join(os.getcwd(),'python/'))

import darknet as dn

import pdb

dn.set_gpu(0)

net = dn.load_net("cfg/yolo-thor.cfg", "/home/pjreddie/backup/yolo-thor_final.weights", 0)

meta = dn.load_meta("cfg/thor.data")

r = dn.detect(net, meta, "data/bedroom.jpg")

print r

# And then down here you could detect a lot more images like:

r = dn.detect(net, meta, "data/eagle.jpg")

print r

r = dn.detect(net, meta, "data/giraffe.jpg")

print r

r = dn.detect(net, meta, "data/horses.jpg")

print r

r = dn.detect(net, meta, "data/person.jpg")

print r

```

我们不难看出除了系统模块之外，只调用了darknet.py模块，存放在工程的python目录里。

但darknet.py中有一些路径是软地址要改一下（在47行中，仿照着注释的格式）：

```python

#lib = CDLL("/home/lishukang/darknet/libdarknet.so", RTLD_GLOBAL)

lib = CDLL("libdarknet.so", RTLD_GLOBAL)

```

但这个模块是基于Python2编写，如果直接使用Python2运行的话还会有一些包存在路径问题，哪我们不如将他稍微修改一下：

在154行，即最后一行中，print需要加上括号

```python

print (r)

```

这样，我们在工程目录下进行模块导入就没有任何问题了。

我们仿照着把配置文件路径和要测试的图片地址改好就可以了。比如我的：

```python

In [10]: dn = set_gpu(0)

...: net = dn.load_net("cfg/yolov3.cfg", "/home/lishukang/darknet/backup/yolov3_400.weights", 0)

...: meta = dn.load_meta("cfg/number.data")

...: r = dn.detect(net, meta, "zhebing/pic/20171105_636454947681503257_P.jpg")

...: print (r)

```

就可以显示出测试图像啦。

相关文章