Yolov3 训练自己的数据集
1. 标注工具
1) 标注工具:Lableimg
Lableimg软件(windows版本)下载链接:
https://pan.baidu.com/s/1tuIQmuyedRHP1WeGVVSx_Q 提取:ejgx
2) 给数据集图像按编号顺序命名:如000001.jpg – 000999.jpg;
3) 标注数据:如:图像0000001.jpg, 生成对应的label为000001.xml文件;
2. 利用VOC制作自己的数据集
在目录下新建VOC2007,并在VOC2007下新建Annotations,ImageSets和JPEGImages三个文件夹。在ImageSets下新建Main文件夹
将自己的数据集图片拷贝到JPEGImages目录下。将数据集label文件拷贝到Annotations目录下。在VOC2007下新建test.py文件夹,将下面代码拷贝进去运行,将生成四个文件:train.txt,val.txt,test.txt和trainval.txt。
test.py
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 import os 2 import random 3 4 trainval_percent = 0.1 5 train_percent = 0.9 6 xmlfilepath = 'Annotations' 7 txtsavepath = 'ImageSets\Main' 8 total_xml = os.listdir(xmlfilepath) 9 10 num = len(total_xml) 11 list = range(num) 12 tv = int(num * trainval_percent) 13 tr = int(tv * train_percent) 14 trainval = random.sample(list, tv) 15 train = random.sample(trainval, tr) 16 17 ftrainval = open('ImageSets/Main/trainval.txt', 'w') 18 ftest = open('ImageSets/Main/test.txt', 'w') 19 ftrain = open('ImageSets/Main/train.txt', 'w') 20 fval = open('ImageSets/Main/val.txt', 'w') 21 22 for i in list: 23 name = total_xml[i][:-4] + '\n' 24 if i in trainval: 25 ftrainval.write(name) 26 if i in train: 27 ftest.write(name) 28 else: 29 fval.write(name) 30 else: 31 ftrain.write(name) 32 33 ftrainval.close() 34 ftrain.close() 35 fval.close() 36 ftest.close()
生成后的目录结构如下所示:
3. 下载并编译darknet源码
1) 下载源码 git clone https://github.com/pjreddie/darknet
2) 编译代码:
YOLOV3使用一个开源的神经网络框架Darknet53,使用C和CUDA,有CPU和GPU两种模式。默认使用的是CPU模式,需要切换GPU模型的话,vim修改Makefile文件。
cd darknet
vim Makefile #如果使用CPU模式。则不用修改Makefile文件
注:将前面三行置1,其他不用动
编译: make
编译成功后,可以先下载预训练模型测试一下效果:
wget https://pjreddie.com/media/files/yolov3.weights
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
3) 加入自己的数据集
在代码的darknet目录下新建VOCdevkit文件夹,然后把刚才制作的VOC2007文件夹拷贝到该文件夹下。有的读者可能了解过YOLOV3的label,YOLOV3的label标注的一行五个数分别代表类别(从 0 开始编号), BoundingBox 中心 X 坐标,中心 Y 坐标,宽,高。这些坐标都是 0~1 的相对坐标。和我们刚才标注的label不同,因此我们需要下面的py文件帮我们转换label。
wget https://pjreddie.com/media/files/voc_label.py
这里需要修改两个地方,sets和classes,classes根据自己需要修改(注:自己的数据集仍然是20类,防止darknet转ncnn测试时识别精度损失过大)。
接下来运行该文件,我们的目录下会生成三个txt文件2007_train.txt,2007_val.txt,2007_test.txt,VOCdevkit下的VOC2007也会多生成一个labels文件夹,下面是真正会使用到的label,点开看发现已经转化成YOLOV3需要的格式了。这时候自己的数据集正式完成。
python voc_label.py
cat 2007_train.txt 2007_val.txt > train.txt
4. 局部修改
1) 修改cfg/voc.data
根据自己的路径修改。
2)修改data/voc.names 和 coco.names
3) 修改参数文件cfg/yolo3-voc.cfg
ctrl+f 搜 yolo, 总共会搜出3个含有yolo的地方。
每个地方都必须要改2处, filters:3*(5+len(classes));
其中:classes: len(classes) = 20,这里以上述的20个类为例
filters = 75
classes = 20
可修改:random = 1:原来是1,显存小改为0。(是否要多尺度输出。)
参数文件开头的地方可以选训练的batchsize,要注意!
5.训练数据
1) 下载darknet53的预训练模型:
wget https://pjreddie.com/media/files/darknet53.conv.74
2) 开始训练:
多GPU同时训练:
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gpus 0,1,2,3
单gpu训练:
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74
注:生成的模型文件会保存在backup下
3) 测试模型文件
./darknet detect cfg/yolov3-voc.cfg backup/yolov3-voc_20000.weights test_img/pen_8.jpg
参考:https://blog.csdn.net/john_bh/article/details/80625220
https://blog.csdn.net/qq_21578849/article/details/84980298