YOLOv3訓練自己的資料(GPU版本)
1、下載工程
兩種方式：
1.1 通過git克隆
git clone https://github.com/pjreddie/darknet.git
1.2 到GitHub上直接下載
有時候伺服器上內網限制，克隆不下來，不知道原因是啥，有可能是公司內網限制了，本人通過這種方式下載的工程
2、編譯工程
解壓工程
改配置檔案：
我想要GPU支援的版本，所以在編譯工程前需要先修改Makefile檔案，根據自己需求改，GPU版本的將GPU=1，CUDNN = 1, OPENCV=1,我的OPENCV是設成0的，因為我的環境沒有opencv。
CPU版本的設定成GPU=0
編譯：
cd darknet-master/
make
如果遇到缺失包報錯，將缺失的包裝上去以後重新編譯,重複下列兩個操作，直到所有包都裝好，
make clean
make
最終成功的訊號，編譯後出現下列資訊（從官網上覆制的，我自己的介面沒儲存下來）
mkdir -p obj gcc -I/usr/local/cuda/include/ -Wall -Wfatal-errors -Ofast.... gcc -I/usr/local/cuda/include/ -Wall -Wfatal-errors -Ofast.... gcc -I/usr/local/cuda/include/ -Wall -Wfatal-errors -Ofast.... ..... gcc -I/usr/local/cuda/include/ -Wall -Wfatal-errors -Ofast -lm....
3、準備資料
第一步：labels製作
yolov2的資料分為兩部分：labels 資料夾和圖片資料夾，labels裡存放的是對應圖片的目標資訊，一張圖片對應一個.txt目標資訊檔案。labels資料夾和圖片資料夾必須放在同一目錄下。
但是我發現yolov3好像略有不同，每張圖片的labels檔案必須和圖片放在同一目錄下。像下圖這樣。（至少我是隻有這樣存放才成功跑起來，還有沒有其他辦法不確定）
標註檔案.txt裡的資料格式是這樣的：
具體的每一個值的計算方式是這樣的：假設一個標註的boundingbox的左下角和右上角座標分別為（x1,y1）(x2,y2)，影象的寬和高分別為w,h
歸一化的中心點x座標計算公式：（(x2+x1) / 2.0）/ w
歸一化的中心點y座標計算公式：（(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').shapeimginfo裡存的是影象的[h, w,通道數] ，這一需要注意imginfo結果裡的順序
第二步：
劃分訓練資料和測試資料：
我將標註資料集裡的80%作為訓練資料集，20%作為驗證資料集
分別將它們的圖片的路徑存放到train.txt和val.txt檔案中,這兩個檔案的路徑沒有嚴格要求，放在任意自己覺得舒服的位置，後面在工程的.data檔案中指定這兩個檔案的路徑就好。
裡面的格式如下所示，每行存放一張圖片的絕對路徑，為了安全可見，我圖片的絕對路徑中間一部分我馬賽克了
4、編輯cfg/XX.data 檔案（XX按自己的需求自取名字），在訓練時工程來這個檔案中找到訓練資料和驗證資料的路徑
classes= 1
train = <path-to-voc>/train.txt
valid = <path-to-voc>2007_test.txt
names = data/voc.names
backup = backupclasses:類別數
train:前面說的訓練資料train.txt的路徑
valid:前面說的驗證資料val.txt的路徑
names:指向存放類別名的檔案，自己訓練資料的類別名就放到這個指定的檔案中，自己新建一個.names檔案，一行放一個類名
backu：模型存放的路徑
5、更改模型的引數配置檔案
如果是訓練模型需要修改下列這些地方：
1）把Training的引數設定開啟，Testing的引數設定關閉
2）改所有yolo層前一層filters大小，即最後一層卷積層，計算公式在論文中有提到過，N為卷積核的size（不確定），3是mask的引數，4表示四個引數（預測boundingbox的：x,y,w,h）,1表示置信度
我有一個類別，size為1，所以：1*1*[3*(4+1+1)]=18
3)改yolo層的classes數
2）、3）總的需要改3的地方
5、跑模型
我認為應該像這樣啟動訓練過程，但是報錯
./darknet detector train cfg/dog.data cfg/dog.cfg backup/dog.backup -gpu 0
只有不指定模型存放路徑和模型名字才不報錯，能跑起來，
./darknet detector train cfg/pigface_front.data cfg/pigface_front.cfg
即使跑起來，後面還是遇到了其他問題，繼續解決中
。。。。。還在努力中
6、踩到的坑