一 Darknet-Yolov3下載與安裝

下載解壓完後，將darknet-master主資料夾的名字改為darknet

之後修改Makefile，因為是使用GPU版本，將GPU=0改為 GPU=1

然後使用make指令執行Makefile。

下載完放到主目錄下（其實哪都可以）

安裝結束

二 建立自己的資料集

沒有固定的檔案存放格式，只是希望規範管理訓練集標籤等資料。

在我建立的資料集的總目錄是_VOCdevkit，其中有各個資料集，就如資料集test0為例

my_yolov3.cfg用於儲存超引數

myv3.names儲存各個標籤的名字（按標籤升序排列，標籤從0開始）

myv3_det.data為配置檔案，用於指明訓練集，驗證集，names，backup的儲存目錄

train.txt與val.txt用於儲存訓練集和驗證集圖片的路徑

train_id.txt與val_id.txt用於儲存訓練集和驗證集圖片的名稱（無後綴）

test資料夾用於存放測試圖片

backups資料夾用於儲存訓練得到的權重

注：cfg，names，data檔案是必須的配置檔案

三 生成train.txt等檔案

以下程式碼基於 如上資料夾結構

執行以下檔案生成train.txt等檔案

import os
from os import listdir

SUFFIX='.JPEG'

def generate_txt(source_folder,xml_source,train_dest,val_dest,train_id_dest,val_id_dest,train_num,val_num):
    if(xml_source!=None):
        file_list = os.listdir(xml_source)
    else:
        file_list = os.listdir(source_folder)
    train_file=open(train_dest,'a')
    train_id_file=open(train_id_dest,'a')
    train_file.seek(0)
    train_file.truncate()
    train_id_file.seek(0)
    train_id_file.truncate()
    if val_dest != None:
        val_file=open(val_dest,'a')
        val_id_file=open(val_id_dest,'a')
        val_file.seek(0)
        val_file.truncate()
        val_id_file.seek(0)
        val_id_file.truncate()
    num=0
    for obj in file_list:
        name=obj.split('.')[0]
        path=os.path.join(source_folder,name+SUFFIX)
        num=num+1
        if(num<=train_num):
            train_file.write(path+'\n')
            train_id_file.write(name+'\n')
        else:
            if(val_dest!=None and num<train_num+val_num):
                val_file.write(path+'\n')
                val_id_file.write(name+'\n')
    return

source_folder='/home/lthpc/CJX/default_res/n02974003_wheel'
xml_source='/home/lthpc/CJX/default_res/n02974003_wheel/n02974003'
train_dest='/home/lthpc/CJX/darknet/_VOCdevkit/test0/train.txt'
val_dest='/home/lthpc/CJX/darknet/_VOCdevkit/test0/val.txt'
train_id_dest='/home/lthpc/CJX/darknet/_VOCdevkit/test0/train_id.txt'
val_id_dest='/home/lthpc/CJX/darknet/_VOCdevkit/test0/val_id.txt'
train_num=200
val_num=40
generate_txt(source_folder,xml_source,train_dest,val_dest,train_id_dest,val_id_dest,train_num,val_num)
 

引數解釋：

SUFFIX：圖片格式

source_folder：所有圖片存放位置

xml_source：若有xml標籤，則其為xml標籤存放位置；若無，=None

train_dest：train.txt位置，其它同理

train_num：訓練圖片數量

val_num：測試圖片數量

四 xml格式的label轉為txt格式

一般使用LabelImg進行圖片標註，生成格式為xml的標註結果，而darknet要求的格式為txt，執行以下檔案將xml轉為txt格式，txt格式的label儲存目錄為圖片存放位置

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join

sets=['train','val']
classes=['n02974003']


def convert(size, box):
    dw = 1./(size[0])
    dh = 1./(size[1])
    x = (box[0] + box[1])/2.0 - 1
    y = (box[2] + box[3])/2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x*dw
    w = w*dw
    y = y*dh
    h = h*dh
    return (x,y,w,h)

def convert_annotation(anno_source,demo_name, image_id,img_source):
    in_file = open(os.path.join(anno_source,image_id+'.xml'))
    print(in_file)
    out_file = open(img_source+"/"+image_id+'.txt', 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)
    out_file.seek(0)
    out_file.truncate()
    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
             float(xmlbox.find('ymax').text))
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')


def main_convert(anno_source,demo_name,image_sets,img_source):
    for image_set in image_sets:
        image_ids = open('/home/lthpc/CJX/darknet/_VOCdevkit/%s/%s_id.txt' % (demo_name,image_set)).read().strip().split()
        for image_id in image_ids:
            convert_annotation(anno_source,demo_name,image_id,img_source)
    return

main_convert('/home/lthpc/CJX/default_res/n02974003_wheel/n02974003','test0',sets,
             '/home/lthpc/CJX/default_res/n02974003_wheel')

 

引數說明：

sets不需要更改

classes：類別名稱，與xml中的obj的name相同，示例中展示了一類，若為多類請自行擴充套件陣列

anno_source：xml檔案存放位置

demo_name：專案名稱，即_VOCdevkit下子檔名稱

img_source：圖片存放位置

至此所有配置檔案生成完畢

五 訓練與測試資料

通過cd指令進入darknet子資料夾，通過如下命令進行訓練：

./darknet detector train data檔案位置 cfg檔案位置 模型位置 -gpu 使用的gpu

舉一例項如下：

./darknet detector train _VOCdevkit/test0/myv3_det.data _VOCdevkit/test0/my_yolov3.cfg darknet53.conv.74 -gpu 0,1,2,3,4

訓練過後再backups中生成權重檔案，用最大次迭代的權重進行測試，使用如下命令進行測試：

./darknet detector test data檔案位置 cfg檔案位置 權重檔案位置 測試圖片位置

舉一示例如下：

./darknet detector test _VOCdevkit/test0/myv3_det.data _VOCdevkit/test0/my_yolov3.cfg _VOCdevkit/test0/backups/my_yolov3_900.weights _VOCdevkit/test0/test/n04285008_744.JPEG

最後在命令列生成測試準確度，並在darknet下的predictions.jpg框出結果，例項如下：

六 結語

本篇為darknet-yolov3的基本操作，至於更改超引數，則自行學習，不予贅述