yolo训练自己的样本库

YOLO 训练笔记

labelImg 安装

参考网址下载
labelImg图片标注工具用于生成xml,用于yolo训练label数据生成可执行文件存放路径不要有中文。使用前请将data目录下的txt文件修改成自己所需的类别，请用notepad++等打开。

ubuntu
参考github安装教程
windows

在anaconda4.2.0 中安装pyqt4

1	conda install pyqt=4

或直接使用.exe文件(推荐)
参考教程

对于python3.5
参考教程

1 2	pip install PyQt5 pip install pyqt5-tools

运行

1 2	pyrcc4 -o resources.py resources.qrc python labelImg.py

编译测试darknet工程

具体不在描述

准备数据库

(1) 图片文件库
(2) xml文件库
(3) train.txt 文件,内容为所有图片小数点前名,如10004

xml的生成可以使用labelImage 软件标注生成，xml文件名要求与对应图片文件名相同
xml信息主要有图片的长宽、类别名、类别的矩形框的左上角和右下角坐标
train.txt自己写个程序生成,在这里我的为imgprocess.py

处理数据库
为了偷懒，准备使用voc结构训练，需要将准备的数据库做成voc数据库结构
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
--voc
   --VOCdevkit
        --VOCsaobin
           --Annotations
	       --10004.xml
               --10005.xml
                   ... 
           --ImageSets
               --Main 
                   --train.txt
	           --test.txt
                   --val.txt
            --JPEGImages
                   --10004.jpg
                   --10005.jpg
    --voc_label.py
将图片放入JPEGImages中
xml放入Annotations文件夹中
train.txt中将20% 20%数据剪切到test.txt val.txt,再将train.txt test.txt val.txt放入Main文件夹中
1
2
3
voc_label.py中修改:
	sets=[('saobin', 'train'), ('saobin', 'test'),('saobin', 'val')]
    classes = ["nan","nv"]   #类别名字

将voc文件夹放入data/　下　　
运行voc_label.py:

1 2	$cd data/voc $python voc_label.py

查看运行后生成文件:
voc/ 目录下会新生成 saobin_train.txt saobin_test.txt saobin_val.txt
Vocsaobin/ 目录下新生成 labels

--labels
   --10004.txt
   --10005.txt
   ...

因为我们并没有用到val验证,所以将val数据集加入训练集:

1 2	$cd voc $cat saobin_train.txt saobin_val.txt >train.txt

准备训练

修改cfg/voc.data:
在这里我们只训练2类,<path-to-voc>数集的绝对路径代替为/home/keetsky/darknet/data/voc
names为类别名,backup为训练权重数据保存路径

classes= 2      
train  = <path-to-voc>/train.txt
valid  = <path-to-voc>saobin_test.txt
names = data/voc.names
backup = backup

修改data/voc.names:在这里训练2类

1
2

nan
nv

修改cfg/yolo-voc.cfg:
修改batch使计算机能够运行的数(参数可重大到小运行程序试到程序能运行),max_batches训练轮数

```
[net]
batch=25 
max_batches = 45000
...
[region]
classes=2   #改为两类

修改[region]前一[convolutional],因为在这里只识别两类，将filters改为35
（filter的公式filters=(classes+ coords+ confidence)* (NUM) (2+4+1)*5=35
解释下最后层filers:yolo2采用Anchor Boxes,最后层13x13xfilter

classes:类别数
coords:坐标
confidence:概率（置信度）
NUM:anchor boxes数,这里采用5个即预测建议框,也可修改其他
　　　　一个boxes：[坐标＋框confidence＋每个类别的概率]=[x,y,w,h,0.75,0.45,0.78]

下载前训练完成模型

下载

$wget https://pjreddie.com/media/files/darknet19_448.conv.23

或自己训练（https://pjreddie.com/darknet/imagenet/#darknet19_448）
./darknet partial cfg/darknet19_448.cfg darknet19_448.weights darknet19_448.conv.23 23

训练

开始训练

1	$./darknet detector train cfg/voc.data cfg/yolo-voc.cfg darknet19_448.conv.23

如果需要限定gpu数量进行训练

1	$./darknet detector train cfg/voc.data cfg/yolo-voc.cfg darknet19_448.conv.23 -gpus 0,1,2,3

从backup恢复中断的训练,比如从第700轮恢复训练

1	$./darknet detector train cfg/voc.data cfg/yolo-voc.cfg backup/yolo-voc_700.weights

训练后测试

1
2

$./darknet detector test cfg/voc.data cfg/yolo-voc.cfg backup/yolo-voc_final.weights testpicture/001.jpg      #测试图片
$./darknet detector demo cfg/voc.data cfg/yolo-voc.cfg backup/yolo-voc_final.weights  test.avi  #测试视频

也可加载中间的模型参数如 yolo-voc_1000.weights

定制模型

自己可设计网络结构进行训练,需要修改cfg/yolo-voc.cfg成自己的结构