YOLO目标检测

Train

训练自己的数据时需要修改几个文件，也可以自己新建。

列表如下：

data/voc.names

cfg/voc.date

 

第一步：

下载预训练权重，放在darknet文件夹下

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

第二步：

如果你想训练其他类别的目标，可以参考着自己新建一个.names和.data文件。这里以voc训练进行讲解。当然可以参考官网的过程。这里主要以自己数据训练讲解。

.names文件中是物体的类别，voc中有20类，可以修改成自己需要的类别。

.data文件中只要是训练集和测试集的路径，以及生成的权重文件，如下：

1 classes= 20  #修改成类别
  2 train  = <path-to-voc>/train.txt  #修改成你的训练集的路径
  3 valid  = <path-to-voc>test.txt    #修改成你的测试集的路径
  4 names = data/voc.names            #修改成你的类别名称
  5 backup = backup                   #生成权重保存的地址

第三步：

数据和标签的生成

数据：生成train.txt文件和test.txt文件

在draknet文件夹下scripts/voc_label.py文件，这个是针对voc数据集的所以我们要进行相应的修改。

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

sets=['train', 'val', 'test']
classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]
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(image_id):
    in_file = open('./Annotations/%s.xml'%(image_id))
    out_file = open('labels/%s.txt'%( 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')
for image_set in sets:
    if not os.path.exists('labels/'):
        os.makedirs('labels/')
    image_ids = open('./Main/%s.txt'%(image_set)).read().strip().split()
    list_file = open('%s.txt'%( image_set), 'w')
    for image_id in image_ids:
        list_file.write('./JPEGImages/%s.jpg\n'%(image_id))
        convert_annotation(image_id)
    list_file.close()

其中主要是去除了year这个变量。

在文件中的Main文件夹下主要存放三个文件tain.txt,val.txt,test.txt,他们是训练集测试集验证集的图片的文件名，可以根据自己的需要划分。程序运行完会生成labels文件夹，里边存放的是训练的label。

Annotations下是xml的标签

JPEGImages下是图片

第三步（非xml文件）：

对于非xml文件的数据，主要生成训练标签和训练集和测试集路径即可。

训练集路径：为所有文件的一个路径列表，测试集路径也是如此。

标签：txt文本，以图片名字命名，内容为label  x y w h（此处的都为相对坐标）

1、训练集路径列表生成（测试集类似）

import os
imagepath = './data3/'    #''你的图片路径'
tt= open('train.txt','w')
for i in os.listdir(imagepath):
    print(i)
    line = imagepath + i +'\n'
    tt.write(line)
tt.close()

2、训练集标签生成（测试集类似）

（1）如果你的格式是：filename  label x  y   w  h

读取文件，拆分，写入多个文件。

（2）如果是每个图片对应一个txt且格式为 label x  y   w  h，只需要图片名字和txt名字一致即可，训练是将txt和图片放在一个文件夹下。

 

 

 

第四步：

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

cfg/voc.data                #数据
cfg/yolov3v3.cfg      #网络结构
darknet53.conv.74      #预训练权重

如果出现全部是这种情况：

Region 94 Avg IOU: -nan, Class: -nan, Obj: -nan, No Obj: 0.000004, .5R: -nan, .75R: -nan,  count: 0
Region 106 Avg IOU: -nan, Class: -nan, Obj: -nan, No Obj: 0.000001, .5R: -nan, .75R: -nan,  count: 0

将cfg/yolov3v3.cfg中的testing部分注释掉

[net]
 # Testing
 # batch=1
 # subdivisions=1
 # Training
 batch=64
 subdivisions=16