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