训练需要用到的文件：
1) .data文件。该文件包含一些配置信息，具体为训练的总类别数，训练数据和验证数据的路径，类别名称，模型存放路径等。
例如coco.data
classes= 80 # 训练总类别数 train = /home/xxx/code/darknet/data/coco/trainvalno5k.txt #训练数据路径 valid = /home/xxx/code/darknet/data/coco/5k.txt #验证集路径 names = data/coco.names #每一类名称 backup = backup/ #模型存放路径 eval=coco
需要用到训练数据trainvalno5k.txt和验证数据5k.txt。
其中，这两个文件内容为训练/验证图片的路径，每一行为一张图像的路径。部分内容如下：
/home/xxx/code/darknet/data/coco/images/val2014/COCO_val2014_000000000164.jpg /home/xxx/code/darknet/data/coco/images/val2014/COCO_val2014_000000000192.jpg /home/xxx/code/darknet/data/coco/images/val2014/COCO_val2014_000000000283.jpg
上面的为训练/验证图片数据的路径，每一张图片对应的标签，即每张图片中包含物体的bbox信息存放在txt文件中，txt文件名与图片的文件名一致。标注txt文件内容如下：
44 0.3704921875 0.6309484777517563 0.06092187500000001 0.13524590163934427 67 0.2723671875 0.781311475409836 0.5416093750000001 0.4373770491803278 1 0.6927578125 0.4888290398126464 0.170953125 0.6501639344262296 49 0.229265625 0.6178571428571429 0.034875 0.06742388758782202 51 0.10209375000000001 0.8534309133489462 0.10643750000000002 0.09562060889929742 51 0.1526015625 0.7213348946135831 0.11885937499999999 0.09672131147540983 79 0.15256250000000002 0.5000351288056206 0.300875 0.23037470725995318
其中，每一行表示图片中一个object的类别号和bbox信息。Bbox保存的形式为(x,y,w,h)
分别表示object归一化后中心点坐标，宽度和高度。
注意：
在读入训练数据时，只给程序输入了图片所在路径，而标签数据的路径并没有直接给，是通过对图片路径进行修改得到的，比如在训练coco数据时，输入的trainvalno5k.txt文件中只包含所有图片的具体路径，如：
/home/xxx/code/darknet/data/coco/images/val2014/COCO_val2014_000000000164.jpg
而COCO_val2014_000000000164.jpg的标签并没有给程序，是通过该函数替换掉图片路径中的images为labels，并替换掉后缀.jpg为.txt得到的，最终得到：
/home/xxx/code/darknet/data/coco/labels/val2014/COCO_val2014_000000000164.txt
这种替换的前提是，标签数据文件夹labels与图片数据文件夹images具有相同的父目录。
另外，直接把txt标签文件放在与图片同一路径下也没问题。
详细信息可以查看源码src/data.c文件中find_replace函数。
2) .cfg文件
主要包含训练的一些配置信息，如输入图像大小、学习率、数据增强等。还包括训练的网络结结构。
附：coco的json格式标注信息转换为darknet训练的标注txt文件。
# -*- coding:utf-8 -*- from __future__ import print_function import os, sys, zipfile import numpy as np import json def convert(size, box): dw = 1./(size[0]) dh = 1./(size[1]) x = box[0] + box[2] / 2.0 y = box[1] + box[3] / 2.0 w = box[2] h = box[3] #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) json_file='coco/coco2017/annotations/instances_val2017.json' # # Object Instance 类型的标注 data=json.load(open(json_file,'r')) ana_txt_save_path = "./val_coco2017/" if not os.path.exists(ana_txt_save_path): os.makedirs(ana_txt_save_path) for img in data['images']: print(img["id"]) #print(img["file_name"]) filename = img["file_name"] img_width = img["width"] img_height = img["height"] #print(img["height"]) #print(img["width"]) img_id = img["id"] ana_txt_name = filename.split(".")[0] + ".txt" f_txt = open(os.path.join(ana_txt_save_path, ana_txt_name), 'w') for ann in data['annotations']: if ann['image_id']==img_id: #annotation.append(ann) #print(ann["category_id"], ann["bbox"]) box = convert((img_width,img_height), ann["bbox"]) f_txt.write("%s %s %s %s %s\n"%(ann["category_id"], box[0], box[1], box[2], box[3])) f_txt.close() break
附：
Darknet YOLO 训练问题集锦
