YOLOV3的基础训练方法
1.整理数据集
1.1 建立目录格式
建立文件夹层次为darknet/VOCdevkit/VOC2007
VOC2007下面建立两个文件夹：Annotations和JPEGImages
JPEGImages放所有的训练和测试图片，Annotations放所有的xml标记文件
1.2生成训练和测试文件
切换conda虚拟环境至pytorch，darknet目录下的gen_file.py中classes=["Bird_nest"]，这个参数是和xml文件中标出的对象的名字对应。
在darknet目录下执行
python gen_file.py
在VOCdevkit/VOC2007目录下可以看到生成了文件夹labels ,同时在darknet下生成了两个文件
2007_train.txt和2007_test.txt。2007_train.txt和2007_test.txt分别给出了训练图片文件和测试图片文
件的列表，含有每个图片的路径和文件名。另外，在VOCdevkit/VOC2007/ImageSets/Main目录下生
成了两个文件test.txt和train.txt，分别给出了训练图片文件和测试图片文件的列表，但只含有每个图片
的文件名（不含路径和扩展名）。
labels下的文件是JPEGImages文件夹下每一个图像的yolo格式的标注文件，这是由Annotations的xml
标注文件转换来的。
最终训练只需要：2007_train.txt，2007_test.txt，labels下的标注文件和 VOCdevkit/VOC2007/JPEGImages下的图像文件
2.修改配置文件
2.1 voc.names文件
复制data/voc.names文件，重新命名如：data/voc-bird.names (名字自己可以任意定义)
在文件中填入检测目标的名字，和上面的classes=["Bird_nest"]对应，一行只填一个名称
2.2 voc.data文件
复制cfg/voc.data文件，重新命名cfg/voc-bird.data ,修改参数如下
classes= 1 目标类别数目
train = /root/darknet/2007_train.txt valid = /root/darknet/2007_test.txt
names = data/voc-bird.names
backup = backup
2.3 yolov3-voc.cfg文件
复制cfg/yolov3-voc.cfg文件，重新命名cfg/yolov3-voc-bird.cfg
1[net]
2#Testing
3#batch=1
4#subdivisions=1
5#Training
6batch=8
7subdivisions=4
8width=864
9height=864
按照上面格式把文件的前9行换成如上所示。
在cfg/yolov3-voc-bird.cfg文件中，三个yolo层和各自前面的conv层的参数需要修改：
三个yolo层都要改：yolo层中的classes为类别数，每一个yolo层前的conv层中的fifilters =（类别+5）* 3
例如：
yolo层 classes=1， conv层 fifilters=18
修改文件中605、611、689、695、773、779这些行的参数。
3.修改默认的先验框的大小
3.1 使用k-means聚类获得自己数据集的先验框大小
修改gen_anchors.py文件中
width_in_cfg_file = 864.
height_in_cfg_file = 864.
执行
python gen_anchors.py
得到的anchor的大小都要乘以32
anchorbox.w * 32
anchorbox.h * 32
3.2 修改cfg/yolov3-voc-bird.cfg文件中的先验框
修改文件在610、694、778行的先验框
4.训练数据集
4.1 训练
./darknet detector train cfg/voc-bird.data cfg/yolov3-voc-bird.cfg darknet53.conv.74 2>1 | tee visualization/train_yolov3_bird.log
训练时的输出信息： Region 106 Avg IOU: 0.794182, Class: 0.999382, Obj: 0.966953, No Obj:
0.000240, .5R: 1.000000, .75R: 0.750000, count: 4
Region 106 ：网络层的索引为106
Region Avg IOU: 0.794182： 表示在当前l.batch（batch /= subdivs ）内的图片的平均IOU
Class: 0.0.999382： 标注目标分类的正确率，期望该值趋近于1。
Obj: 0.966953： 检测目标的平均目标置信度，越接近1越好。
No Obj: 0.000793： 检测目标的平均目标性得分。
.5R: 1.0：模型检测出的正样本(iou>0.5)与实际的正样本的比值。
.75R: 0.75 模型检测出的正样本(iou>0.75)与实际的正样本的比值。
count: 4：count后的值是当前l.batch（batch /= subdivs ）内图片中包含正样本的图片的数量。
4.2 训练log文件分析
在visualization文件夹下，修改最后两行，训练的时候会新建log文件，把最后两行的第一个参数修改为log文件的名称
执行：
python extract_log.py
得到两个文件: train_log_loss.txt, train_log_iou.txt
改变train_loss_visualization.py和train_iou_visualization.py中的lines值，lines值与train_log_loss.txt和train_log_iou.txt的行数对应。
然后，执行：
python train_loss_visualization.py
python train_iou_visualization.py
得到avg_loss.png和Region Avg IOU.png
5.测试训练出的网络模型
训练好后可以在backup看到权重文件
尝试test前要修改cfg文件，切换到test模式。
可以重新建立一个测试cfg文件, 如yolov3-voc-bird-test.cfg
1[net]
2#Testing
3#batch=1
4#subdivisions=1
5#Training
6batch=1
7subdivisions=1
8width=864
9height=864
按照上面格式把文件的前9行换成如上所示
测试图片：
./darknet detector test cfg/voc-bird.data cfg/yolov3-voc-bird-test.cfg backup/yolov3-voc-bird-final.weight ***.jpg
6.计算mAP
./darknet detector valid cfg/voc-bird.data cfg/yolov3-voc-bird-test.cfg backup/yolov3-voc-bird_final.weights
生成results/comp4_det_test_ball.txt文件
切换py2.7的环境，此文件是py2.7版本的
然后执行
python reval_voc.py --voc_dir /root/darknet/VOCdevkit --year 2007 --
image_set test --classes /root/darknet/data/voc-bird.names testBird
执行完后会出现准确度。VOL
