當前位置：首頁 >

YOLO v3 安装并训练自己数据

發布時間：2025/3/11 32 豆豆

生活随笔收集整理的這篇文章主要介紹了 YOLO v3 安装并训练自己数据小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

文章目錄

1. 安裝
1.1 模型安裝
1.2 運行Demo
2.訓練自己的數據集
2.1數據集準備
2.2修改配置文件
2.2.1修改cfg/voc.data
2.2.2修改data/voc.names
2.2.3修改cfg/yolo-voc.cfg
2.3 訓練
3. 測試
3.1 單張圖像測試
3.2多張圖像測試
3.3 測試數據集測試mAP、recall等參數
命令參數總結
訓練模型
單GPU訓練
多GPU訓練
測試圖片
Error
/bin/sh: 1: nvcc: not found
./darknet: error while loading shared libraries: libcurand.so.10.0: cannot open shared object file: No such file or directory
參考

1. 安裝

1.1 模型安裝

YOLO v3的安裝與YOLO v2的安裝方法一樣

<code class="language-shell">git clone https://github.com/pjreddie/darknet </code>

直接使用上邊的命令下載YOLO安裝包。下載完以后，打開進入到安裝包路徑內

<code class="language-shell">cd darknet </code>

如果機器有使用GPU加速的環境，以及安裝OPENCV了，需要做一下修改

<code class="language-shell">gedit Makefile </code>

使用gedit打開編譯文件，將文件前幾行中，對應的GPU、CUDNN、OPENCV由0變為1;

<code class="language-shell">GPU=1 CUDNN=1 OPENCV=1 </code>

對Makefile修改結束以后，就可以進行安裝。

下載YOLO v3權重

<code class="language-shell">wget https://pjreddie.com/media/files/yolov3.weights </code>

1.2 運行Demo

運行Demo查看運行是否成功。

<code class="language-shell"> ./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg </code>

2.訓練自己的數據集

2.1數據集準備

首先將自己的數據集生成為VOC數據集的格式,至少生成如下格式的文件夾

<code class="language-shell">Annotations ImageSets--Main--test.txt--train.txt--trainval.txt--val.txt JPEGImages </code>

接著將上邊四個文件夾放在/darknet/scripts/VOCdevkit/VOC2007內，這個文件夾需要自己來創建一個。接著對/darknet/scripts/voc_label.py進行修改。
第一處
修改第7行

<code class="language-shell"> sets=[('2012', 'train'), ('2012', 'val'), ('2007', 'train'), ('2007', 'val'), ('2007', 'test')] ```shell 將“('2012', 'train'), ('2012', 'val'),”刪除掉，改為 ```shellsets=[('2007', 'train'), ('2007', 'val'), ('2007', 'test')] </code>

第二處
修改第9行

<code class="language-shell"> classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"] </code>

修改為自己檢測目標類別名稱

完成修改以后可運行文件，生成YOLO訓練時使用的labels

<code class="language-shell">python voc_label.py </code>

運行結束以后，可以在/darknet/scripts/VOCdevkit/VOC2007文件夾內看到labels文件夾，并且在/darknet/scripts文件夾內會生成2007_train.txt、2007_test.txt、2007_val.txt三個文件。到此，數據準備完成。

2.2修改配置文件

<code class="language-shell">./darknet detector train cfg/voc.data cfg/yolo-voc.cfg darknet19_448.conv.23 </code>

上邊是進行訓練的命令，可以按照上邊的命令對文件進行修改。

2.2.1修改cfg/voc.data

<code class="language-shell">classes= 3 //修改為訓練分類的個數 train = /home/ws/darknet/scripts/2007_train.txt //修改為數據階段生成的2007_train.txt文件路徑 valid = /home/ws/darknet/scripts/2007_val.txt //修改為數據階段生成的2007_val.txt文件路徑 names = data/voc.names backup = backup </code>

2.2.2修改data/voc.names

在上邊修改的文件內有一個data/voc.names文件，里邊保存目標分類的名稱，修改為自己類別的名稱即可。

2.2.3修改cfg/yolo-voc.cfg

第一處
文件開頭的配置文件可以按照下邊的說明進行修改

<code class="language-cfg"># Testing #batch=1 #subdivisions=1 # Training batch=64 //每次迭代要進行訓練的圖片數量 ,在一定范圍內，一般來說Batch_Size越大，其確定的下降方向越準，引起的訓練震蕩越小。 subdivisions=8 //源碼中的圖片數量int imgs = net.batch * net.subdivisions * ngpus，按subdivisions大小分批進行訓練 height=416 //輸入圖片高度,必須能被32整除 width=416 //輸入圖片寬度，必須能被32整除 channels=3 //輸入圖片通道數 momentum=0.9 //沖量 decay=0.0005 //權值衰減 angle=0 //圖片角度變化，單位為度,假如angle=5，就是生成新圖片的時候隨機旋轉-5~5度 saturation = 1.5 //飽和度變化大小 exposure = 1.5 //曝光變化大小 hue=.1 //色調變化范圍，tiny-yolo-voc.cfg中-0.1~0.1 learning_rate=0.001 //學習率 burn_in=1000 max_batches = 120200 //訓練次數 policy=steps //調整學習率的策略 steps=40000,80000 //根據batch_num調整學習率，若steps=100,25000,35000，則在迭代100次，25000次，35000次時學習率發生變化，該參數與policy中的steps對應 scales=.1,.1 //相對于當前學習率的變化比率，累計相乘，與steps中的參數個數保持一致； </code>

注意：如果修改max_batches總的訓練次數，也需要對應修改steps，適當調整學習率。
具體的含義可以查看YOLO網絡中參數的解讀
第二處
修改107行最后一個卷積層中filters，按照filter=5*(classes+5)來進行修改。如果類目為3，則為5*(3+5)=40。

<code class="language-cfg">[convolutional] size=1 stride=1 pad=1 filters=40 //計算公式為:filter=3*(classes+5) activation=linear </code>

第三處
修改類別數,直接搜索關鍵詞“classes”即可，全文就一個。

<code> classes=3 </code>

2.3 訓練

<code class="language-shell">./darknet detector train cfg/voc.data cfg/yolo-voc.cfg darknet19_448.conv.23 >> log.txt </code>

輸入上邊的指令就可以進行訓練，在命令最后的命令>> log.txt是將輸出的日志保存到log.txt文件內，這樣便于后期訓練結果的查看。

3. 測試

3.1 單張圖像測試

<code class="language-shell">./darknet detect cfg/yolo-voc.cfg backup/yolo-voc_final.weights data/dog.jpg </code> <code class="language-shell">./darknet detect [訓練cfg文件路徑] [權重文件路徑] [檢測圖片的路徑] </code>

按照上邊的規整進行填寫即可。

3.2多張圖像測試

由于博主能力有限，修改YOLO內部文件失敗，只能使用shell寫命令來進行重復單張測試的命令

<code class="language-shell">input_data_folder="./data/VOCdevkit/VOC2007/JPEGImages/" output_data_folder="./results/CD8" file_name_tmp=`ls $input_data_folder`file_names=($(echo $file_name_tmp));for filename in ${file_names[@]} doecho "testing $file ..."./darknet detector test cfg/inst25.data cfg/yolo-voc.cfg backup/yolo-voc_final.weights $input_data_folder$filename -thresh .3 -gpu 0,1 >> result.txtmv predictions.png ./results/CD8_final_thresh_0.3/$filename'.png'done </code>

修改相應自己存儲圖片的路徑就可以進行測試。

3.3 測試數據集測試mAP、recall等參數

<code class="language-shell">./darknet detector valid cfg/voc.data cfg/voc.cfg backup/voc_final.weights -out result_ -gpu 0 -thresh .5 </code> <code>./darknet detector valid [data路徑] [cfg路徑] [權重文件路徑] -out [生成txt文件前綴] -gpu [GPU的ID號] -thresh [門限的大小] </code>

按照上邊的規則對測試數據集進行測試，會在result文件夾內生成相應的相應檢測結果的文件。
下邊借助Faster R-CNN中voc_eval.py文件進行參數測試。

<code class="language-shell">from voc_eval import voc_eval rec, prec, ap, fp, tp, nobj = voc_eval('/home/app/darknet/results/result_ {}.txt', '/home/app/darknet/scripts/VOCdevkit/VOC2007/Annotations/{}.xml','/home/app/darknet/scripts/VOCdevkit/VOC2007/ImageSets/Main/test.txt', 'Target1', '.') print("class name: " + classname) print("Average Precision: " + str(ap)) print("True Positive: " + str(tp)) print("False Positive: " + str(fp)) </code>

首先將上邊的命令新建一個python文件，同時將Faster R-CNN中voc_eval.py文件放在一個文件夾內，這個文件可以能在Github中不能找到，可以去CSDN下載。

命令參數總結

訓練模型

單GPU訓練

<code class="language-shell">./darknet -i <gpu_id> detector train <data_cfg> <train_cfg> <weights> </code>

舉例：

<code class="language-shell">./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 </code>

多GPU訓練

格式為：

<code class="language-shell">./darknet detector train <data_cfg> <model_cfg> <weights> -gpus <gpu_list> </code>

舉例

<code class="language-shell">./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gpus 0,1,2,3 </code>

測試圖片

測試單張圖片

<code class="language-shell">./darknet detector test <data_cfg> <test_cfg> <weights> <image_file> </code>

<test_cfg>文件中batch和subdivisions兩項必須為1。
測試時還可以用-thresh和-hier選項指定對應參數。
生成預測結果

<code>./darknet detector valid <data_cfg> <test_cfg> <weights> <out_file> </code>

<test_cfg>文件中batch和subdivisions兩項必須為1。
結果生成在<data_cfg>的results指定的目錄下以<out_file>開頭的若干文件中，若<data_cfg>沒有指定results，那么默認為<darknet_root>/results。
計算recall（執行這個命令需要修改detector.c文件，修改信息請參考“detector.c修改”）

<code class="language-shell">./darknet detector recall <data_cfg> <test_cfg> <weights> </code>

<test_cfg>文件中batch和subdivisions兩項必須為1。
輸出在stderr里，重定向時請注意。
RPs/Img、IOU、Recall都是到當前測試圖片的均值。
detector.c中對目錄處理有錯誤，可以參照validate_detector對validate_detector_recall最開始幾行的處理進行修改。

Error

/bin/sh: 1: nvcc: not found

當安裝在CUDA10.1的情況下會報下邊的錯誤，這時候需要將Makefile文件中的NVCC

修改為下邊的格式：

<code class="language-txt">NVCC=/usr/local/cuda-10.1/bin/nvcc </code>

./darknet: error while loading shared libraries: libcurand.so.10.0: cannot open shared object file: No such file or directory

使用下邊的命令進行修正

<code class="language-shell">sudo cp /usr/local/cuda-10.0/lib64/libcudart.so.10.0 /usr/local/lib/libcudart.so.10.0 && sudo ldconfig sudo cp /usr/local/cuda-10.0/lib64/libcublas.so.10.0 /usr/local/lib/libcublas.so.10.0 && sudo ldconfig sudo cp /usr/local/cuda-10.0/lib64/libcurand.so.10.0 /usr/local/lib/libcurand.so.10.0 && sudo ldconfig</code>

參考

YOLOv3: 訓練自己的數據 - CSDN博客

總結

以上是生活随笔為你收集整理的YOLO v3 安装并训练自己数据的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。

数据
Yolo

上一篇： Python设置网卡自己封装的Inter
下一篇： 1-3.Win10系统利用Pycharm