darknet优化经验-AlexeyAB大神经验

目录

• darknet优化经验
  • 1. AlexeyAB改进项
  • 2. Linux下编译选项
  • 3. 训练经验
  • 4. 提升检测效果
  • 5. 总结
  • 6. AlexeyAB大神改进

darknet优化经验

主要来自于：AlexeyAB 版本darknet

1. AlexeyAB改进项

• 提供window支持

• 相较于原版pjreddie版本darknet提升了训练速度

• 添加了二值化网络，XNOR(bit) ，速度快，准确率稍低https://github.com/AlexeyAB/darknet/blob/master/cfg/yolov3-tiny_xnor.cfg

• 提升7%通过将卷积层和BN层合并为一个（*_*）不太懂。

• 多GPU训练提升

• 修补了[reorg]层

• 添加了mAP, IOU，Precision-Recall计算

  darknet detector map...

• 可以在训练过程中画loss图像

• 添加了根据自己数据集的anchor生成

• 提升视频检测，网络摄像头，opencv相关问题

• 提出了一个INT8的网络，提升了检测速度，但是准确率稍有下降

  https://github.com/AlexeyAB/yolo2_light

2. Linux下编译选项

• GPU=1 to build with CUDA to accelerate by using GPU (CUDA should be in /usr/local/cuda)
• CUDNN=1 to build with cuDNN v5-v7 to accelerate training by using GPU (cuDNN should be in /usr/local/cudnn)
• CUDNN_HALF=1 to build for Tensor Cores (on Titan V / Tesla V100 / DGX-2 and later) speedup Detection 3x, Training 2x
• OPENCV=1 to build with OpenCV 3.x/2.4.x - allows to detect on video files and video streams from network cameras or web-cams
• DEBUG=1 to bould debug version of Yolo
• OPENMP=1 to build with OpenMP support to accelerate Yolo by using multi-core CPU
• LIBSO=1 to build a library darknet.so and binary runable file uselib that uses this library. Or you can try to run so LD_LIBRARY_PATH=./:$LD_LIBRARY_PATH ./uselib test.mp4 How to use this SO-library from your own code - you can look at C++ example: https://github.com/AlexeyAB/darknet/blob/master/src/yolo_console_dll.cpp or use in such a way: LD_LIBRARY_PATH=./:$LD_LIBRARY_PATH ./uselib data/coco.names cfg/yolov3.cfg yolov3.weights test.mp4

3. 训练经验

• 首先对数据集进行检错，使用提供的如下库进行检测：

https://github.com/AlexeyAB/Yolo_mark

• 什么时候停止训练

  • avg loss不再下降的时候

  • 通常每个类需要2000-4000次迭代训练即可

  • 防止过拟合：需要在Early stopping point停止训练

    

    使用以下命令：

    darknet.exe detector map...

    建议训练的时候带上-map,可以画图

    

4. 提升检测效果

• random=1可以设置适应多分辨率

• 提升分辨率：416--> 608等必须是32倍数

• 重新计算你的数据集的anchor:(注意设置的时候计算问题)

  darknet.exe detector calc_anchors data/obj.data -num_of_clusters 9 -width 416 -height 416

• 检查数据集通过https://github.com/AlexeyAB/Yolo_mark

• 数据集最好每个类有2000张图片，至少需要迭代2000*类的个数

• 数据集最好有没有标注的对象，即负样本，对应空的txt文件，最好有多少样本就设计多少负样本。

• 对于一张图有很多个样本的情况，使用max=200属性(yolo层或者region层)

• for training for small objects - set layers = -1, 11 instead of https://github.com/AlexeyAB/darknet/blob/6390a5a2ab61a0bdf6f1a9a6b4a739c16b36e0d7/cfg/yolov3.cfg#L720 and set stride=4 instead of https://github.com/AlexeyAB/darknet/blob/6390a5a2ab61a0bdf6f1a9a6b4a739c16b36e0d7/cfg/yolov3.cfg#L717

• 训练数据需要满足以下条件：

  • train_network_width * train_obj_width / train_image_width ~= detection_network_width * detection_obj_width / detection_image_width
  • train_network_height * train_obj_height / train_image_height ~= detection_network_height * detection_obj_height / detection_image_height

• 为了加速训练，可以做fine-tuning而不是从头开始训练，设置stopbackward=1在网络的结束部分（以####作为分割）

• 在训练完以后，进行目标检测的时候，可以提高网络的分辨率，以便刚好检测小目标。

  • 不需要重新训练，需要使用原先低分辨率的权重，测用更高分辨率。
  • 为了得到更高的检测效果，可以提升分辨率至608*608甚至832*832

5. 总结

为了小目标：

• 提升分辨率
• 在测试时候提升分辨率
• 数据集添加跟正样本数量一样多的负样本
• 数据集每个类至少2000张，训练迭代次数2000*classes个数
• 设置自己数据集的anchor

6. AlexeyAB大神改进

• web-cam版本：

./darknet detector demo ... -json_port 8070 -mjpeg_port 8090

• 计算mAP, F1, IoU, Precision-Recall

./darknet detector map ...

• 展示map-loss曲线(需要opencv)

./darknet detector train cfg/voc.data cfg/yolo.cfg -dont_show -mjpeg_port 8090 -map

• 计算聚类产生的anchor

./darknet detector calc_anchors data/voc.data -num_of_clusters 12 -width 608 -height 608

• 分离前部基础网络

./darknet partial cfg/darknet19_448.cfg darknet19_448.weights darknet19_448.conv.23 23

• 测试opencv

./darknet imtest data/eagle.jpg

• 阈值设置

-thresh 0