YOLOv3训练自己的数据详细步骤 - 好文

1. 下载YOLOv3工程项目
git clone https://github.com/pjreddie/darknet cd darknet
2. 修改Makefile配置，使用GPU训练，修改如下：
GPU=1 #如果使用GPU设置为1，CPU设置为0 CUDNN=1 #如果使用CUDNN设置为1，否则为0 OPENCV=0
#如果调用摄像头，还需要设置OPENCV为1，否则为0 OPENMP=0 #如果使用OPENMP设置为1，否则为0 DEBUG=0
#如果使用DEBUG设置为1，否则为0 CC=gcc NVCC=/home/user/cuda-9.0/bin/nvcc #NVCC=nvcc 修改为自己的路径
AR=ar ARFLAGS=rcs OPTS=-Ofast LDFLAGS= -lm -pthread COMMON= -Iinclude/ -Isrc/
CFLAGS=-Wall -Wno-unused-result -Wno-unknown-pragmas -Wfatal-errors -fPIC...
ifeq ($(GPU),1) COMMON+= -DGPU -I/home/hebao/cuda-9.0/include/ #修改为自己的路径
CFLAGS+= -DGPU LDFLAGS+= -L/home/hebao/cuda-9.0/lib64 -lcuda -lcudart -lcublas
-lcurand#修改为自己的路径 endif
保存完成后，在此路径下执行make，如果出现如下错误：
Loadingweights from yolo.weights...Done! CUDA Error:invalid device function
darknet: ./src/cuda.c:21: check_error: Assertion `0' failed. Aborted (core
dumped)
这是因为配置文件Makefile中配置的GPU架构和本机GPU型号不一致导致的。更改前默认配置如下（不同版本可能有变）：
ARCH= -gencode arch=compute_30,code=sm_30 \ -gencode
arch=compute_35,code=sm_35 \ -gencode arch=compute_50,code=[sm_50,compute_50] \
-gencode arch=compute_52,code=[sm_52,compute_52] # -gencode
arch=compute_20,code=[sm_20,sm_21] \ This one is deprecated? # This is what I
use, uncomment if you know your arch and want to specify # ARCH= -gencode
arch=compute_52,code=compute_52
CUDA官方说明文档：
http://docs.nvidia.com/cuda/cuda-compiler-driver-nvcc/index.html#virtual-architecture-feature-list

<http://docs.nvidia.com/cuda/cuda-compiler-driver-nvcc/index.html#virtual-architecture-feature-list>

然后重新编译即可：

3. 准备训练数据集

按下列文件夹结构，将训练数据集放到各个文件夹下面，生成4个训练、测试和验证txt文件列表
VOCdevkit
—VOC2007
——Annotations
——ImageSets
———Layout
———Main
———Segmentation
——JPEGImages
Annotations中是所有的xml文件
JPEGImages中是所有的训练图片
Main中是4个txt文件，其中test.txt是测试集，train.txt是训练集，val.txt是验证集，trainval.txt是训练和验证集。

3. 生成2007_train.txt和2007_val.txt文件

下载voc_label.py文件，将文件下载到VOCdevkit同级的路径下，生成训练和验证的文件列表
wget https://pjreddie.com/media/files/voc_label.py
<https://pjreddie.com/media/files/voc_label.py>
修改sets为训练样本集的名称 sets=[('2007', 'train')] 修改classes为训练样本集的类标签 classes=[str(i)
for i in range(10)]
运行python voc_label.py，生成2007_train.txt训练文件列表。

4.下载Imagenet上预先训练的权重
wget https://pjreddie.com/media/files/darknet53.conv.74
5. 修改cfg/voc.data
classes= 10 #classes为训练样本集的类别总数 train = /home/user/darknet/2007_train.txt
#train的路径为训练样本集所在的路径 valid = /home/user/darknet/2007_val.txt
#valid的路径为验证样本集所在的路径 names = data/voc.names #names的路径为data/voc.names文件所在的路径
backup = backup
6. 在darknet文件夹下面新建文件夹backup

7. 修改data/voc.name为样本集的标签名
0 1 2 3 4 5 6 7 8 9
8. 修改cfg/yolov3-voc.cfg

关于cfg修改，以10类目标检测为例，主要有以下几处调整（蓝色标出）：
[net] # Testing ### 测试模式 # batch=1 # subdivisions=1 # Training ###
训练模式，每次前向的图片数目 = batch/subdivisions batch=64 subdivisions=16 width=416 ###
网络的输入宽、高、通道数height=416 channels=3 momentum=0.9 ### 动量 decay=0.0005 ### 权重衰减
angle=0 saturation = 1.5 ### 饱和度 exposure = 1.5 ### 曝光度 hue=.1 ### 色调
learning_rate=0.001 ### 学习率 burn_in=1000 ### 学习率控制的参数 max_batches = 50200 ###
迭代次数policy=steps ### 学习率策略 steps=40000,45000 ### 学习率变动步长 scales=.1,.1 ###
学习率变动因子 [convolutional]batch_normalize=1 ### BN filters=32 ### 卷积核数目 size=3 ###
卷积核尺寸stride=1 ### 卷积核步长 pad=1 ### pad activation=leaky ### 激活函数 ......
[convolutional]size=1 stride=1 pad=1 filters=45 #3*(10+4+1) activation=linear
[yolo]mask = 6,7,8 anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90,
156,198, 373,326classes=10 #类别 num=9 jitter=.3 ignore_thresh = .5 truth_thresh
= 1random=0 #1，如果显存很小，将random设置为0，关闭多尺度训练； ...... [convolutional] size=1 stride
=1pad=1 filters=45 #3*(10+4+1) activation=linear [yolo] mask = 3,4,5 anchors =
10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326classes=10
#类别num=9 jitter=.3 ignore_thresh = .5 truth_thresh = 1 random=0
#1，如果显存很小，将random设置为0，关闭多尺度训练； ...... [convolutional]size=1 stride=1 pad=1
filters=45 #3*(10+4+1) activation=linear [yolo] mask = 0,1,2 anchors = 10,13,
16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326classes=10 #类别 num=9
jitter=.3 # 数据扩充的抖动操作 ignore_thresh = .5 #文章中的阈值1 truth_thresh = 1 #文章中的阈值2
random=0 #1，如果显存很小，将random设置为0，关闭多尺度训练；
9. 开始训练
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74
-gpus0,1
10. 识别

将训练得到的weights文件拷贝到darknet/weights文件夹下面
./darknet detect cfg/yolov3-voc.cfg weights/yolov3.weights data/dog.jpg

热门工具换一换