如何使用yolov3训练自己的数据集

博客主要结构

1. 如何在ubuntu18.04上安装yolo

2 .如何配置yolov3

3 .如何制作自己的训练集测试集

4 .如何在自己的数据集上运行yolov3

1. 在ubuntu18.04下安装yolov3

安装darknet

按ctrl+atl+t 打开终端， 并在终端下依次输入以下命令

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

如果成功的话你会看到以下信息

mkdir -p obj
gcc -I/usr/local/cuda/include/  -Wall -Wfatal-errors  -Ofast....
gcc -I/usr/local/cuda/include/  -Wall -Wfatal-errors  -Ofast....
gcc -I/usr/local/cuda/include/  -Wall -Wfatal-errors  -Ofast....
.....
gcc -I/usr/local/cuda/include/  -Wall -Wfatal-errors  -Ofast -lm....

编译完成后键入以下命令运行darknet

./darknet

你将会看到以下输出结果

usage: ./darknet <function>

使用GPU编译（可选）

如果想让yolo运行的更快的话， 可以使用GPU 加速。你的电脑中应该有Nvidia GPU并安装cuda。 在安装完cuda后，在本目录下修改 Makefile第一行

GPU=1

然后在终端键入

make

这样就可以使用cuda啦， darknet在默认情况下会使用你系统里第零个块显卡 （如果你成功安装了cuda， 在终端输入nvidia-smi可以看到自己的显卡情况）。 如果你想修改darknet可以使用的显卡，你可以给他一个可选的命令 -i <index>, 例如

./darknet -i 1 imagenet test cfg/alexnet.cfg alexnet.weights

这样darknet就会使用你的第一块显卡。

下载pre-trained model

可以在这里下载预训练模型， 或者在终端输入以下命令

wget https://pjreddie.com/media/files/yolov3.weights

然后训练你的detector

./darknet detect cfg/yolov3.cfg yolov3.weights data/eagle.jpg

正常情况下你会看到如下输出

　　　　　　　　　　　　　　　　　　　　　　　　　　

　　　　　　　　　　　　　　　　　　　　　　　　　　　

darknet会把他的检测的结果， 以及confidence输出出来，因为我没有在darknet下编译opencv所以检测结果不会直接显示出来， 他会把这个结果保存在你的darknet目录下。

2 .配置yolov3

在darknet目录下创建一个dataset子目录， 并在dataset中创建yolo-tiny-obj.cfg 文件， 文件内容与yolov3_tiny.cfg（在darknet/cfg文件夹下）相同（可以直接把yolov3_tiny.cfg的文件内容复制过去）， 然后

• 把batch所在行修改为batch=64
• 把subdivision设置为8
• 在每个[yolo]-层， 把classes=80修改成你要检测的类的数量

https://github.com/pjreddie/darknet/blob/master/cfg/yolov3-tiny.cfg#L135

https://github.com/pjreddie/darknet/blob/master/cfg/yolov3-tiny.cfg#L176

• 在每个[yolo]-层前的[convolution]-层中，修改filters=255， 改成filters=（classes+5)*3（只适用于yolov3， 对于yolov2如何计算filters，google/百度一下）

　　　　https://github.com/pjreddie/darknet/blob/master/cfg/yolov3-tiny.cfg#L127

https://github.com/pjreddie/darknet/blob/master/cfg/yolov3-tiny.cfg#L171

因此如果classes=1， 那么filters=18， 如果classes=2， 那么filters=21

（不要在cfg文件里这样写：filters=（classes+5）*3）

（一般情况下， filters取决于classes， coords， 以及mask的数量， 例如filters = （classes+coords+1）*<numbers of mask>, 这里的mask就是anchors的索引， 如果没有mask， 那么filters=（classes+coords+1）*num）

比如， 只有两个类， 那么你的yolo-tiny-obj.cfg 在每个yolo层中应该是如下设置

[convolutional]
filters=21

[region]
classes=2

在/darknet/dataset创建obj.names文件， 每行是你的类的名字， 如果你要检测的是猫和狗， 那么你的obj.names文件内容如下

cat
dog

在/darknet/dataset创建obj.data文件， 包含如下内容， （classes=你要检测的类的数量）

classes= 2
train  = dataset/train.txt
valid  = dataset/test.txt
names = dataset/obj.names
backup = backup/

3. 制作自己的训练集测试集

首先把你的训练集（测试集）图片放到/darknet/dataset/Train （/darknet/dataset/Test ） ， 图片扩展名为.jpg

然后对你数据集图片上的每个物体作标记，你可以用这个工具在图片上画边框， 并生成标记文件。他会在同一个目录下，给每个.jpg文件生成一个名字相同的.txt文件,文件里应该包含物体的类的编号， 以及物体在图片中的坐标，每一行都表示一个物体 <物体类的编号><x_center> <y_center> <width> <height>

• <类的编号> ：是正整数， 从0-<类的数目-1>
• <x_center> <y_center> <width> <height> ：都是浮点数范围从0到1，通过图片的长宽计算得出，例如<y_center>=<边框中心的纵坐标>/图片的高，<height> = <边框的高>/图片的高
• 注意<x_center> <y_center>：是你画得边框的中心

比如对于img1.jpg你会创建一个img1.txt文件，包含以下内容

1 0.716797 0.395833 0.216406 0.147222
0 0.687109 0.379167 0.255469 0.158333
1 0.420312 0.395833 0.140625 0.166667

在/darknet/dataset目录下创建train.txt文件，文件中每一行都是到你训练集的地址， 可以使绝对路径， 也可以是相对路径， （相对darknet这个文件夹的路径）， 例如文件内容如下

dataset/Train/img1.jpg
dataset/Train/img2.jpg
dataset/Train/img3.jpg

这里你需要重新根据你自己的数据集计算anchors值， 可以参开这个python script来计算， 然后把yolo-tiny-obj.cfg文件中的anchors值替换成你计算的结果

4 .在自己的数据集上运行yolov3

下载yolov3-tiny的权重文件：https://pjreddie.com/media/files/yolov3-tiny.weights 到darknet目录下

在终端输入以下命令得到预训练模型yolov3-tiny.conv.15

./darknet partial dataset/yolo-tiny-obj.cfg yolov3-tiny.weights yolov3-tiny.conv.15 15

输入以下命令开始训练

./darknet detector train dataset/obj.data dataset/yolo-tiny-obj.cfg yolov3-tiny.conv.15

如果一切正常应该是这样的结果　　

　　　　　　　　　　　　　　　　　　　　

如果你运行中出现了nan， 这是正常现象，但如果全部都是nan的话，这就是训练过程出了问题，请仔细检查每一步是否按照操作进行