yolov3模型微调(fine-tune)备忘

1. 前言

项目需要用目标检测模型，由于yolov3精度和性能突出，成为最后选择的模型。但是因为在实际场景中会有误检测和漏检测的情况，还需要采集实际场景的数据进行微调。思路是直接调整由ImageNet+coco数据集训练出来的权重yolov3.weights，冻结前面的层数，只微调后面n层。

系统：Ubuntu 18.04

2. 过程

2.1. 数据准备

采集好图片，筛选，标注，转换。

其中标注工具我们使用的是labelImg，可以搜索安装。但是一般标注的时候选的是PascalVoc格式，最后保存的是xml文件，而yolov3的模型需要读取yolo格式的标签文件，因此需要手动转换，可参考voc_label.py。

然后是各种配置文件，参考：建立自己的YOLO辨識模型 – 以柑橘辨識為例

包括根据种类调整网络结构等，注意因为是fine tune，需要将LR调整低一点，我是直接调为原来的1/2，后面如果不太好再继续调整。

2.2. 提取冻结层

主要是为了冻结已经训练好的网络中的前n层的权重，命令：

# 冻结前81层
darknet partial cfg/yolov3.cfg yolov3.weights yolov3.conv.81 81

这个时候会在本路径提取出名为yolov3.conv.81的预训练模型。

2.3. 训练

命令：

# 使用多gpu进行训练
darknet detector train cfg/coco.data cfg/yolov3.cfg yolov3.conv.81 -gpus 0,1

2.4. 继续训练

训练期间因为各种原因终止，需要接着训练，则在原来的weights上继续训练：

darknet detector train cfg/coco.data cfg/yolov3.cfg weights/yolov3_500000.weights -gpus 0,1

weights/yolov3_500000.weights是上次训练最后保存的权重。

3. 权威详细教程

之前是因为官网放出来的训练教程实在太简陋了，才在网上找到一些零零散散的教程，拼凑在一起解决问题。

直到找到AlexeyAB 放在github的教程，基本上你想知道的细节都在里面了，作者写得实在详细，包括如何修改配置，多GPU应该怎么修改，map怎么画，等等。所以如果你看到这里，还有其他疑问，应该直接进入这篇教程看看了：https://github.com/AlexeyAB/darknet。

4. 参考

建立自己的YOLO辨識模型 – 以柑橘辨識為例

（完）