Yolov3 训练自己的数据集

1. 标注工具

1） 标注工具：Lableimg

Lableimg软件（windows版本）下载链接：

https://pan.baidu.com/s/1tuIQmuyedRHP1WeGVVSx_Q 提取：ejgx

2） 给数据集图像按编号顺序命名：如000001.jpg – 000999.jpg;

3） 标注数据：如：图像0000001.jpg, 生成对应的label为000001.xml文件；

 2. 利用VOC制作自己的数据集

  在目录下新建VOC2007，并在VOC2007下新建Annotations，ImageSets和JPEGImages三个文件夹。在ImageSets下新建Main文件夹

                        

      将自己的数据集图片拷贝到JPEGImages目录下。将数据集label文件拷贝到Annotations目录下。在VOC2007下新建test.py文件夹，将下面代码拷贝进去运行，将生成四个文件：train.txt,val.txt,test.txt和trainval.txt。

test.py

import os
import random

trainval_percent = 0.1
train_percent = 0.9
xmlfilepath = 'Annotations'
txtsavepath = 'ImageSetsMain'
total_xml = os.listdir(xmlfilepath)

num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

ftrainval = open('ImageSets/Main/trainval.txt', 'w')
ftest = open('ImageSets/Main/test.txt', 'w')
ftrain = open('ImageSets/Main/train.txt', 'w')
fval = open('ImageSets/Main/val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '
'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftest.write(name)
        else:
            fval.write(name)
    else:
        ftrain.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

生成后的目录结构如下所示：

                            

3. 下载并编译darknet源码

1） 下载源码 git clone https://github.com/pjreddie/darknet

2） 编译代码：

   YOLOV3使用一个开源的神经网络框架Darknet53，使用C和CUDA，有CPU和GPU两种模式。默认使用的是CPU模式，需要切换GPU模型的话，vim修改Makefile文件。

        cd darknet

        vim Makefile  #如果使用CPU模式。则不用修改Makefile文件

   

注：将前面三行置1，其他不用动

 编译： make

编译成功后，可以先下载预训练模型测试一下效果：

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

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

3） 加入自己的数据集

     在代码的darknet目录下新建VOCdevkit文件夹，然后把刚才制作的VOC2007文件夹拷贝到该文件夹下。有的读者可能了解过YOLOV3的label，YOLOV3的label标注的一行五个数分别代表类别（从 0 开始编号）， BoundingBox 中心 X 坐标，中心 Y 坐标，宽，高。这些坐标都是 0～1 的相对坐标。和我们刚才标注的label不同，因此我们需要下面的py文件帮我们转换label。

   wget https://pjreddie.com/media/files/voc_label.py

   这里需要修改两个地方，sets和classes，classes根据自己需要修改（注：自己的数据集仍然是20类，防止darknet转ncnn测试时识别精度损失过大）。

       

      接下来运行该文件，我们的目录下会生成三个txt文件2007_train.txt,2007_val.txt,2007_test.txt，VOCdevkit下的VOC2007也会多生成一个labels文件夹，下面是真正会使用到的label，点开看发现已经转化成YOLOV3需要的格式了。这时候自己的数据集正式完成。

    python voc_label.py

    cat 2007_train.txt 2007_val.txt  > train.txt

4. 局部修改

1)  修改cfg/voc.data

 

根据自己的路径修改。

2）修改data/voc.names 和 coco.names

3)  修改参数文件cfg/yolo3-voc.cfg

ctrl+f 搜 yolo, 总共会搜出3个含有yolo的地方。

每个地方都必须要改2处， filters：3*（5+len（classes））；

其中：classes: len(classes) = 20，这里以上述的20个类为例

  filters = 75

  classes = 20

可修改：random = 1：原来是1，显存小改为0。（是否要多尺度输出。）

参数文件开头的地方可以选训练的batchsize，要注意！

 5.训练数据

1)     下载darknet53的预训练模型：

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

2)  开始训练：

多GPU同时训练：

./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gpus 0,1,2,3

单gpu训练：

./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74

注：生成的模型文件会保存在backup下

3)  测试模型文件

./darknet detect cfg/yolov3-voc.cfg backup/yolov3-voc_20000.weights test_img/pen_8.jpg

参考：https://blog.csdn.net/john_bh/article/details/80625220

      https://blog.csdn.net/qq_21578849/article/details/84980298