yoloV3一步步訓練自己的數據
YOLOV3的主頁：
https://pjreddie.com/darknet/yolo/
運行主頁上的代碼得到：
首先使用一個開源的神經網絡框架Darknet，使用C和CUDA，有CPU和GPU兩種模式。
1、下載darknet
編輯Makefile文件：
2、編譯：
make
如果遇到缺失包報錯，將缺失的包裝上去以後重新編譯,重復下列兩個操作，直到所有包都裝好
make clean
make
安裝好DarkNet之後，在darknet的子目錄cfg/下已經有了一些網絡模型的配置文件，在使用之前，需要下載好預訓練好的權重文件yolo.weights(1.0 GB).
如果運行paper中的代碼，則下載yolov3.weights後，運行以下命令就可以檢測：
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
或者這個命令
./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg
如果想檢測多張圖片，需要預先載入預訓練的模型：
3、數據制作
制作VOC數據集：
根據上面的鏈接下載數據，得到
具體的每一個值的計算方式是這樣的：假設一個標註的boundingbox的左下角和右上角坐標分別為（x1,y1）(x2,y2)，圖像的寬和高分別為w,h
歸一化的中心點x坐標計算公式：（(x2+x1) / 2.0）/ w
歸一化的中心點y坐標計算公式：（(y2+y1) / 2.0）/ h
歸一化的目標框寬度的計算公式： (x2-x1) / w
歸一化的目標框高度計算公式：（(y2-y1)/ h
如果圖片的高度、寬度未知，可以通過cv2讀取。
imginfo = cv2.imread(img_dir + img_name + ‘.jpg‘).shape
imginfo裏存的是圖像的[h, w,通道數] ，這一需要註意imginfo結果裏的順序
可以使用voc_label.py自動獲取標簽集合。
總共20個類,運行以上腳本，得到了訓練集的路徑名稱和對應的標簽。
這個腳本主要是將訓練集的路徑寫到test.txt中，並將xml中的label設置成訓練需要的格式。
構建訓練集：
cat 2007_train.txt 2007_val.txt 2012_*.txt > train.txt
構建好數據集，修改cfg/voc.data
train指定訓練集的路徑，valid指定測試集的路徑，names的文件中指定了該數據集標註的檢測的類別,內容為：
下載darknet53作為預訓練的模型：
wget https://pjreddie.com/media/files/darknet53.conv.74
訓練模型：
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74
如果想使用多GPU，則使用以下的命令：
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gpus 0,1,2,3如果想暫停訓練，並且從斷點開始訓練則：
./darknet detector train cfg/coco.data cfg/yolov3.cfg backup/yolov3.backup -gpus 0,1,2,3
其中 cfg/yolov3-voc.cfg設置了網絡的結構
總結——使用自己的數據訓練yolo模型：
1、下載數據集制作數據訓練集的格式train.txt(或者自己寫下載數據集的腳本）
測試數據集：
標簽數據集：
2、設置cfg/xxx.data，檢測的類別數，訓練集路徑，測試集路徑，檢測類別
3、修改cfg模型設置：
3、下載預訓練的模型，並且訓練
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74
yoloV3一步步訓練自己的數據