2021.05.20 Darknet yolov3检测及训练

Darknet yolov3检测及训练

本文均采用无gpu版本

 

一．使用官网权重文件检测图片：

配置好opencv，使用cmake编译，生成darknet.exe文件，F:\darknet\build\darknet\x64目录进入终端输入：

 

 

 

参数释义：

1.darknet.exe: 执行此程序

2.Detector: 预定义参数，调用run_detector函数，其中包含“test检测”，“train训练”，“valid验证”，“demo摄 像头实时”几种操作

 

 

3.Test: 此次操作为验证

4.Cfg/coco.data: 模型检测的类别，类文件名，Classes是检测物品种类数，train存放待训练图片集路径，names存放待识别物体名称

 

 

 

5.Yolov3.weights: 官网下载的已训练好的权重文件

6.-thresh+数值：阈值，识别率高于多少在结果中标注框并展示（左图thresh=0.25,右图0.5）

 

 

1. tbbt.jpg：待检测图片路径
2. -ext_output：输出识别出的物体的坐标及大小

 

二．训练自己的数据集：

1. 下载yolo_mark，便于标注待训练图片集
2. 图片集放入img文件夹，新建obj.data，只检测烟雾所以classes=1；新建obj.names，写入待识别物体名称

 

 

1. 新建train.txt，启动标记程序yolo_mark.cmd, 拉框选中目标，图片路径自动存入train.txt, 标记框坐标自动存入对应txt文件

 

 

1. 将img文件夹、obj.data、obj.names、train.txt复制到darknet的data目录下；创建model目录，复制darknet/cfg目录下的yolov3.cfg到darknet/model目录，并重新命名为yolo-obj.cfg，此文件定义yolo神经网络的结构、学习速率、迭代次数等参数

 

1. 修改yolo-obj.cfg

注释3.4行，取消注释6.7行 迭代次数，至少2000次才比较准确

 

修改classes=1  filters=(classes + 5)x3卷积核个数，也是输出通道数

 

 

 

1. 下载预训练模型参数 darknet53.conv.74，并将其复制到darknet/model目录下,执行训练命令

 

 

 

有gpu时预期图像：训练完成以后，在darknet/backup目录会生成yolo-obj_last.weights文件，然后如chapter1命令检测