——————————————————————

一.製作資料集

1.資料集準備
（1）將資料集VOCdevkit2007拷貝到darknet\scripts下 （2）VOCdevkit2007修改名稱為VOCdevkit

2.修改darknet\scripts\voc_label.py
sets=[('2007', 'train'), ('2007', 'val'), ('2007', 'test')]  
classes = ["comp"] 

#os.system("cat 2007_train.txt 2007_val.txt 2012_train.txt 2012_val.txt > train.txt"
 
)
#os.system("cat 2007_train.txt 2007_val.txt 2007_test.txt 2012_train.txt 2012_val.txt > train.all.txt")

3.終端進入darknet\scripts，執行：
    python voc_label.py  
此後可以看到:
VOCdevkit\VOC2007裡多了一個labels資料夾（如下）
darknet\scripts下多了2007_train.txt、2007_val.txt和2007_test.txt三個檔案

二.修改配置檔案

（1）修改data/voc.names檔案：comp

（2）修改cfg/voc.data
 
檔案。
classes= 1 //類別數
train  = /home/gjw/darknet/scripts/train.txt  //訓練集
valid  = /home/gjw/darknet/scripts/2007_test.txt  //測試集
names = data/voc.names
backup = backup  //在darknet新建一個backup目錄，儲存.weight

（3） 修改×××.cfg（以yolo-voc.cfg為例），修改2個引數（filters，class），見下：
① 【region】層中 classes 改成1。
② 【region】層上方第一個【convolution】層，其中的filters值要進行
修改，改成(classes+ coords+ 1
 
)* (NUM) ，我的情況中：(1+4+1)* 5=30
③ learning_rate：學習率
④ max_batches：最大迭代次數

三.下載預訓練模型

    下載好的預訓練模型儲存在/darknet/目錄下

PS：經過以上的修改，記得重新make一下darknet

四.訓練

在darknet/目錄下新建backup目錄用於存放訓練生成的模型

官網上下載預訓練的模型，訓練命令：
    ./darknet detector train cfg/voc.data cfg/yolo-voc.cfg darknet19_448.conv.23

     ./darknet detector train cfg/voc.data cfg/yolo-voc.cfg  yolo-voc.weights

【結果】訓練完畢就可以生成weights檔案
Saving weights to backup/yolo-voc.backup
Saving weights to backup/yolo-voc_100.weights
Saving weights to backup/yolo-voc_final.weights

    經過漫長的訓練過程，model終於訓練好了，為了評估效能，可以使用以下指令 
./darknet detector recall cfg/voc.data cfg/yolo_voc.cfg backup/yolo_voc_final.weights

需要注意的是，在使用這個指令之前，我先修改一下src/detector.c 這一函式
（1）位置第375行改成：list *plist = get_paths(“/home/yolo_v2_tinydarknet/darknet/infrared/infrared_val.txt”);//改成infrared_val.txt的完整路徑
（2）執行上面的指令會呼叫validate_detector_recall函式，
這個函式中有個引數thresh（閾值），預設的值是.001，這個預設
值設的很小，會讓系統識別出更多的框來，導致proposals值激增，
還會讓recall值變高，達到98.5%。最終我改成了 .25。
（3）上面的函式只會顯示出recall值，沒有precision值，precision的
值計算方法是：識別為正確的個數/畫了多少個框，所以我修改了程式碼。
我把第447行顯示結果的程式碼修改為 ：
fprintf(stderr, "ID:%5d Correct:%5d Total:%5d\tRPs/Img: %.2f\tIOU: %.2f%%\tRecall:%.2f%%\t", i, correct, total, (float)proposals/(i+1), avg_iou*100/total, 100.*correct/total);
fprintf(stderr, "proposals:%5d\tPrecision:%.2f%%\n",proposals,100.*correct/(float)proposals); 

執行後顯示的結果是： 
Correct ：可以理解為正確地畫了多少個框，遍歷每張圖片的Ground Truth，網路會預測出很多的框，對每一Groud Truth框與所有預測出的框計算IoU，在所有IoU中找一個最大值，如果最大值超過一個預設的閾值，則correct加一。

Total：一共有多少個Groud Truth框。

Rps/img：p 代表proposals， r 代表region。 意思就是平均下來每個圖片會有預測出多少個框。預測框的決定條件是，預測某一類的概率大於閾值。在validation_yolo_recall函式中，預設的這一個閾值是0.001，這一閾值設定的比較低，這就會導致會預測出很多個框，但是這樣做是可以提升recall的值，一般yolo用於畫框的預設值是.25，使用這個閾值會讓畫出來的框比較準確。而validation_yolo_recall使用的閾值改成。25的時候，Rps/img 值會降低，recall的值會降低，所以validation_yolo_recall預設使用一個較低的閾值，有可能作者的目的就是為了提高recall值，想在某種程度上體現網路的識別精度比較高。

IoU、Recall、Precision：解釋起來比較麻煩，請看部落格有詳細說明： 
http://blog.csdn.net/hysteric314/article/details/54093734

六.測試單張影象

    ./darknet detector test cfg/voc.data cfg/yolo-voc.cfg backup/yolo-voc_final.weights data/000020.jpg

[擴充套件]
    可以通過-thresh 0設定所有檢測的閾值為0，同理，也可以通
過設定不同的閾值進行檢測。
    ./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg -thresh 0

七.測試攝像頭/視訊

./darknet detector demo cfg/coco.data cfg/yolo.cfg yolo.weights

./darknet detector demo cfg/coco.data cfg/yolo.cfg yolo.weights <video file>