YOLOv3常用命令集合
1. Ubuntu中创建了虚拟环境后，环境切换命令
workon yolov3_py2 #切换到python2的环境
2. 准备工作
（1）首先手动拷贝VOC2007数据
（2）在darknet/scripts/VOCdevkit/VOC2007文件夹中，打开终端(yolov3_py2环境），运行python xml2txt.py文件，得到Main文件夹中的4个完整txt文件。
（3）在darknet/scripts文件夹中，运行python voc_label.py 在VOC2007文件夹中产生labels文件夹。
（4）修改darknet/cfg文件夹中两个文件：voc.data和yolov3-voc.cfg，修改data下的一各类别名称文件：xxx.names
3. 单GPU训练
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg weights/darknet53.conv.74 | tee dingall.txt
4.开始测试
（1）准备工作：修改cfg中yolov3-voc.cfg中test中的batchsize = 1，下一行也是1，train中注释掉这两行
（2）测试单张图片：
./darknet detector test cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights data/xxx.jpg
（3）训练过程可视化：将darknet文件夹下的dingall.txt拷贝到keshihua文件夹中的IOU_Loss文件夹中的30000文件夹中，与iouLoss.py放在一起，运行这个py文件python iouLoss.py，得到两幅图和两个文件，保存图片至本文件夹。（有时会出现没有pandas模块，解决办法：pip install wheel; pip install pandas）。
5.测试test数据集
（1）清空result文件夹下的文件（不删也行，会覆盖）
（2）首先修改examples/detector.c:validate_detector函数中，约为424行，将comp4_det_val_改成comp4_det_test_，然后重新编译。
（3）批量测试——输出文本检测结果(first) (输出在results文件夹中comp4_det_test_类名.txt）
./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights
（4）批量测试——输出图片检测结果(second)（输出在data/out-img文件夹中）
./darknet detector test cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights
Enter Image Path: scripts/2007_test.txt
（5）计算recall（执行这个命令需要修改detector.c文件，修改信息请参考“detector.c修改”）
./darknet detector recall cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights
（6）计算各类别的AP和mAP：工作环境切换成tensorflow_py3，生成plk文件用于画PR曲线：执行下列命令前一定要注意把darknet/scripts/VOCdevkit/annotations_cache这个文件夹删掉，否则影响新的文件输出（参考）
python reval_voc.py --voc_dir /home/dj/dingjing/darknet/scripts/VOCdevkit --year 2007 --image_set test --classes /home/dj/dingjing/darknet/data/dingall.names x #(x是自己新建的文件夹名称，用来保存最后生成的.txt文件)
6. 在此基础上测试其他模型:
（1）终端1(yolov3_py2)：批量测试——输出文本检测结果：
./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights
（2）终端2(tensorflow_py3)：计算recall：
./darknet detector recall cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights
（3）终端2(tensorflow_py3)：计算各类别的AP和mAP: 屏蔽掉VOCdevkit/annotations_cache这个文件夹。
python reval_voc.py --voc_dir /home/dj/dingjing/darknet/scripts/VOCdevkit --year 2007 --image_set test --classes /home/dj/dingjing/darknet/data/dingall.names x
7. 测试val数据集 （与5.测试test数据集类似）
（1）首先修改examples/detector.c:validate_detector函数中，约为424行，将comp4_det_test_改成comp4_det_val_，然后重新编译：
（2）批量测试——输出文本检测结果(first)(输出在results文件夹中comp4_det_val_类名.txt）
./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights
（3）(与test数据集没有区别）批量测试——输出图片检测结果(second)（输出在data/out-img文件夹中）
./darknet detector test cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights
Enter Image Path: scripts/2007_val.txt
（4）(与test数据集没有区别）计算recall（执行这个命令需要修改detector.c文件，修改信息请参考“detector.c修改”）
./darknet detector recall cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights
（5）（切换成python3）计算各类别的AP和mAP:生成plk文件用于画PR曲线：执行下列命令前一定要注意把darknet/scripts/VOCdevkit/annotations_cache这个文件夹屏蔽掉，否则影响新的文件输出（参考https://blog.csdn.net/weixin_41143397/article/details/83831839）
python reval_voc.py --voc_dir /home/dj/dingjing/darknet/scripts/VOCdevkit --year 2007 --image_set val --classes /home/dj/dingjing/darknet/data/dingall.names x(x是自己新建的文件夹名称，用来保存最后生成的.txt文件)
8. 测试视频
./darknet detector demo cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_25000.weights data/1.mp4
9. 断点继续训练
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc.backup | tee dingall.txt
