（YOLOv3訓練超詳細教程）在Ubuntu 18.04下使用YOLOv3訓練數據（提供源碼及文件夾）

一、環境

Ubuntu 18.04 + CUDA10.0 +CUDNN

下方是我訓練時的真實文件，可供大家參考

大家需要我的文件資源的請使用曲奇雲盤下載，下面是下載鏈接：https://quqi.gblhgk.com/s/981990/7C1nyIvTyl7SRFjx

二、修改重要文件

1.yolov3-voc.cfg(darknet/cfg//yolov3-voc.cfg)

[convolutional]
size=1
stride=1
pad=1
filters=21//修改爲filters=(classes+5)x3
activation=linear

[yolo]
mask = 0,1,2
anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
classes=2//修改爲需要檢測的類別數目
num=9
jitter=.3
ignore_thresh = .5
truth_thresh = 1
random=1//當顯卡內存不夠時可以修改爲0

以上共修改三處均已標出，在整個文件裏有三個這樣的結構也就是說需要修改九處，建議先拉到文件的最下方，開始修改。

2.voc.names(darknet/data//voc.names)

wheel
goods

按照上述方法寫入要檢測的類別的名稱，其中第一個類別的id爲0，依次升序！

3.voc.data(darknet/data//voc.data)

classes= 2//類別數目
train  = /home/ustc/Kaixiang/YOLO/darknet/scripts/2007_train.txt//訓練集目錄
valid  = /home/ustc/Kaixiang/YOLO/darknet/scripts/2007_val.txt//驗證集目錄
names = data/voc.names//類別名稱目錄
backup = backup//模型的存儲目錄

4.Makefile(darknet//Makefile)

GPU=1
CUDNN=1
OPENCV=1
OPENMP=0
DEBUG=0

根據硬件是否有GPU，是否安裝OPENCV等進行選擇，有 1無0

三、生成訓練集驗證集等的txt文件

1.文件的目錄格式

darknet/scripts/如下圖

 

 

 

2.generator_voc.py(darknet\scripts\VOCdevkit\VOC2007\\generator_voc.py)

import os  
import random  
trainval_percent = 0.9
train_percent = 0.8
xmlfilepath = 'Annotations'  
txtsavepath = 'ImageSets\Main'  
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]+'\n'  
    if i in trainval:  
        ftrainval.write(name)  
        if i in train:  
            ftrain.write(name)  
        else:  
            fval.write(name)  
    else:  
        ftest.write(name)  
  
ftrainval.close()  
ftrain.close()  
fval.close()  
ftest .close()  

生成相應的驗證集和訓練集以及測試集的txt文件.

四、生成labels的txt文件

用labelIamge打標籤時獲得的是xml格式的文件，而用於YOLOv3進行訓練的是txt文件格式，下面是voc_label.py(darknet\scripts)將xml文件的格式轉換爲txt文件的格式，注意xml文件放在darknet\scripts\VOCdevkit\VOC2007\Annotations，運行成功後，txt文件會存放在darknet\scripts\VOCdevkit\VOC2007\labels文件夾下。下面是voc_label.py的源代碼，需要修改classes爲自己的訓練類別，其餘無需改動。

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join

sets=[ ('2007', 'train'), ('2007', 'val'), ('2007', 'test')]

classes = ["wheel","goods"]


def convert(size, box):
    dw = 1./(size[0])
    dh = 1./(size[1])
    x = (box[0] + box[1])/2.0 - 1
    y = (box[2] + box[3])/2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x*dw
    w = w*dw
    y = y*dh
    h = h*dh
    return (x,y,w,h)

def convert_annotation(year, image_id):
    in_file = open('VOCdevkit/VOC%s/Annotations/%s.xml'%(year, image_id))
    out_file = open('VOCdevkit/VOC%s/labels/%s.txt'%(year, image_id), 'w')
    tree=ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)

    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult)==1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
        bb = convert((w,h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')

wd = getcwd()

for year, image_set in sets:
    if not os.path.exists('VOCdevkit/VOC%s/labels/'%(year)):
        os.makedirs('VOCdevkit/VOC%s/labels/'%(year))
    image_ids = open('VOCdevkit/VOC%s/ImageSets/Main/%s.txt'%(year, image_set)).read().strip().split()
    list_file = open('%s_%s.txt'%(year, image_set), 'w')
    for image_id in image_ids:
        list_file.write('%s/VOCdevkit/VOC%s/JPEGImages/%s.jpg\n'%(wd, year, image_id))
        convert_annotation(year, image_id)
    list_file.close()

os.system("cat 2007_train.txt 2007_val.txt")
os.system("cat 2007_train.txt 2007_val.txt 2007_test.txt")

五、開始訓練

1.下載預訓練模型

darknet53.conv.74(darknet/)是預訓練模型已經下載好了

2.訓練的命令

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

在訓練一段時間後會在darknet/backup/文件夾下生成一些權重文件即模型，其中.backup是最新的權重文件，如果中途停止了訓練，可以在.backup的基礎上進行訓練，訓練的命令爲

./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc.backup

當訓練的loss降至0.1以下就可以進行測試了，如果測試滿足要求就可以進行使用了。

六、進行測試

測試命令爲：

./darknet detector test cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc.backup test/4.jpg

測試成功的話會在darknet下生成predictions.jpg文件