yolo训练自己的权重文件

分类器训练的官网教程：https://pjreddie.com/darknet/train-cifar/

训练官网：https://pjreddie.com/darknet/yolo/

可以用官网给的数据集，跑通训练yolo权重文件

一、训练环境

　　需要ubuntu系统环境，然后安装上nvidia的显卡驱动，cuda，cudnn，darknet

　　在另一篇文章已讲述

 

二、标注数据集

　　1. 制作VOC数据集，就是一个这种格式的文件夹

　　

 

 

　　2.将要标注的图片放在JPEGImage

　　3.下载labelImg

　　　　pip install labelimg

　　　　启动：labelimg

　　4.通过Open Dir打开图片存放的路径

　　　　

 

 　　　　按 ‘w’键，进行标注

　　　　 按‘save’键，进行保存，生成xml文件

　　　　

 

 　　　　

　　5.标注完成后，将JEPGImg文件夹下标注生成xml文件，剪切放在Annotations文件夹下

　　6. 在VOC2007 文件夹下， 创建text.py文件【windows上操作完成了】

　　　

　　7.将VOCdevdit整个文件夹拷贝到ubuntu环境下，darknet/script 目录下

　　

　　初始的样子/   

 

 

三、划分数据集

　　1. 运行text.py  就会在imageSets/Main目录下，生成四个txt文件

　　【这步操作为什么在官网上，没有呢】

　　　　python3 test.py

　　　　

 

 

　　2. 格式转换，运行darknet/srcipts文件夹下面，voc_label.py

　　　　　　【运行之前，需要在voc_label.py 第九行，修改自己的类别名称】

　　　　　　【运行之前，需要看自己的voc数据是几几年的，在sets那里改成自己的】

　　　　　　

 

 　　　　　　

 

 

　　　　因为VOC数据集还不能直接用于YOLO训练

　　　　python3 voc_label.py

　　　　就会

　　　　在VOC2007 生成labels文件夹

　　　　在scripts文件夹下，生成2007_train.txt和2007_val.txt

　　　　

　　　　

 

 

四、训练数据集

　　1. 在data下创建names的文件，可以将原来的voc.names进行复制，重命名为voc_dp.names。里面的内容是训练的类别

　　2. 在cfg创建data的文件，可以将原来的voc.data进行复制，重命名为voc_dp.data。 

　　　　

 

 

　　3. 在cfg创建cfg文件，可以复制yolov3-tiny.cfg，重命名为yolov3-tiny-dp.cfg

　　　　yolov3-tiny.cfg是用于网络参数配置的文件，它比yolov3.cfg网络层数交，占用资源少

　　　　1 训练时候，就把“Testing”下面的 batch和subdivisions注释，“Training”下面的batch和subdivsions取消注释。 测试时候相反

　　　　2 训练时候，batch=64，subdivsions=16

　　　　3 修改[yolo]层的classes，改成实际类别数目 

　　　　4！ max_batches 是训练最大次数，一般设置为 类别*2000。如果类别是5，那就设置成10000。

　　　　5 ！setps设置成max_batches的80%和90%

　　　　前三个必改，后两个看情况

　　　　

　　4. 在darknet目录，下载预训练权重文件

　　　　https://blog.csdn.net/nyist_yangguang/article/details/120802611

　　　　网上找找 darknet53.conv.74

　　5.开始训练

　　　　在darknet目录下，打开终端

　　　　./darknet detector train cfg/voc_dp.data cfg/yolov3-tiny-dp.cfg darknet53.conv.74 > log.txt -map

五、在ros中使用  

　　使用remmina 连接jetson盒子

　　安装：GitHub - FreeRDP/Remmina: Mirror of https://gitlab.com/Remmina/Remmina The GTK+ Remmina Remote Desktop Client