Yolov3实战 基于darknet window版

特此声明：训练过程预先认为你对yolov3神经网络有一定了解的基础上进行。

目录

一、先备齐下面的工具（预先善其事，必先利其器）

二、接下里使用我们的工具编译我们的环境

三、 训练自己的数据集

1.  制作训练样本

2. 准备训练前必备的文件

四、 训练及测试

4.1 训练

4.2 测试

---

一、先备齐下面的工具（预先善其事，必先利其器）

（如果你不想走弯路，还是按照我说的来吧）

1、VS2015 x64版本 自定义安装即可

2、darknet windows版本　链接：https://download.csdn.net/download/zsl091125/10856959

3、CUDA9.1 cudnn7.1

先安装在 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.1

cudnn解压出来直接覆盖该目录

下面是我的安装路径

. opencv3.4.0  解压，目录命名结构如下（C:\opencv_3.0\opencv\build）

下面是我的安装路径

上面安装完后，看一下环境变量，我的是win10下的环境变量，特别注意opencv_3.0的环境变量; 一般cuda的环境变量会自动加入，不需要我们管

二、接下里使用我们的工具编译我们的环境

1.  打开 darknet\build\darknet\darknet.sln

2. 右击选中部分，点重新生成，如果是按照我上面的流程安装，会编译很顺利的。

darknet \build\darknet\x64  中会生成 darknet.exe

三、 训练自己的数据集

1.  制作训练样本

我本人先用下面博客（https://blog.csdn.net/u011574296/article/details/78953681）使用的工具标注为voc数据集格式的xml文件，然后利用python自己转换了以下格式。

1.1 voc数据集xml格式如下：

1.2 yolov3使用的txt格式如下：

每张图片xxx.jpg对应一个label文件xxx.txt,  txt中的数据实际是像素点值除以实际宽高的，也就是占比

含义分别对应：

类别下标(从0开始)    中心点x坐标   中心点y坐标   目标宽度   目标高度

2. 准备训练前必备的文件

2.1、 类名字文件：defect.names 。

我的类文件名字如下：

2.2、 数据描述文件：defect.data。

从上到下分别为类别数量，训练集位置，测试集位置，类名字文件，训练模型保存路径

2.3、  训练集（defect_train.txt）和测试集（defect_test.txt ）位置文件：

2.4、存放图片的位置，在当前目录train中，每张图片都会有对应的label文件：

2.5. 网络配置文件（在cfg/yolov3-voc.cfg的基础上改的）：

对参数的解释详见https://mp.csdn.net/postedit/85010833

yolo层前面的卷积层的filters数目=3x(classes+5)，和聚类数目分布有关。如果想修改默认anchors数值，使用下面命令即可，当然也可以默认就可以。

darknet.exe detector calc_anchors data/voc.data -num_of_clusters 9 -width 416 -heigh 416

四、 训练及测试

4.1训练

开始训练（开始loss比较大，慢慢来，会降下去的）：build\darknet\x64\darknet.exe detector train data\defect.data data\yolov3.cfg

(我用了50个小时训练，loss最后稳定在0.7，准确率达到了工程需求)

4.1.2 训练的过程中backup目录里面每到一定迭代次数，会有模型参数文件保存下来（比如yolov3_defect_1000.weights）。

00.weights

4.2 测试

00.weight