在上一篇在YOLO2中增加自己的物體識別（一）中我們已經得到了一個影象集，在你的Images/myobject目錄下， 一個對該影象集的標註資訊，在你的outpath目錄下， 現在把這2個目錄下的jpeg和txt檔案合併到一個資料夾，我這裡是放到darkne目錄下的data\myobject目錄下， 下一步我們就要配置YOLO來進行訓練了。

二、配置YOLO

YOLO的配置主要為3個檔案myobj.data, myobj.name, myobj.cfg.

1. myobj.data

我的myobj.data內容如下
classes= 1
train = data/myobject/train.txt
valid = data/myobject/test.txt
names = data/myobject/myobj.names
backup = backup
classes為你要detect的目標種類個數， 檢測一種的話就是1。 train指向一個txt檔案，用於描述訓練時用哪些圖片進行訓練。 valid用於描述測試時用哪些圖片進行測試。這兩個檔案可以使用如下指令碼生成

import glob, os

# Current directory
current_dir = os.path.dirname(os.path.abspath(__file__))

# 圖片的儲存目錄
path_data = 'data/myobject/'

# Percentage of images to be used for the test set
percentage_test = 10;

# Create and/or truncate train.txt and test.txt
file_train = open('train.txt', 'w')
file_test = open
 
('test.txt', 'w')

# Populate train.txt and test.txt
counter = 1
index_test = round(100 / percentage_test)
for pathAndFilename in glob.iglob(os.path.join(current_dir, "*.jpg")):
    title, ext = os.path.splitext(os.path.basename(pathAndFilename))
    #file = open(title + '.txt', 'w')
    #file.write('0 0.5 0.5 1 1'
 
)
    #file.close()

    if counter == index_test:
        counter = 1
        file_test.write(path_data + title + '.jpg' + "\n")
    else:
        file_train.write(path_data + title + '.jpg' + "\n")
        counter = counter + 1

把該指令碼放到data/myobject目錄下，然後執行，就會在該目錄生成2個txt檔案。

2.myobj.names

這個檔案只有一行，也就是你要檢測物體的名稱， 他會在檢測完後顯示在圖片上，每行對應一種物體。我們這裡是myobj

3.myobj.cfg

這個檔案用於描述網路結構， 我們可以直接拿cfg/yolo-voc.cfg來使用， 不過要改幾個地方.
1) batch改為合適值， 一般64，如果你記憶體不夠的話跑起來發現記憶體分配失敗，可以改下點，比如32，16
2）subdivisions， 與上面類似，可以試試8,4,2，越小需要記憶體越大。
3）classes=1
4）倒數的第一個filters=(classes + 5)*5，這裡我們就是30

三、 訓練YOLO

訓練前我們先去YOLO官網下載已經訓練好的權值檔案darknet19_448.conv.23(76M)
然後執行命令./darknet detector train data/myobject/myobj.data data/myobject/myobj.cfg darknet19_448.conv.23
預設情況下，每1000次會將訓練好的權值存放到backup/myobj_1000.weights檔案裡， 所以下次開始訓練時，可以從上一次訓練結果中繼續訓練，命令如下
./darknet detector train data/myobject/myobj.data data/myobject/myobj.cfg backup/myobj_2000.weights, 這裡我們從第2000次開始繼續進行訓練。

四、何時停止訓練

請戳這裡搬運工， 一般來講2000次左右基本就夠了， 當然如果你要更好的精度，那麼需要觀察avg這個值的變化， 如果這個值基本不再變小，那麼訓練就可以停止了。此時，你需要觀察前幾次的avg的值，選出幾個最小的，然後根據avg最前面的數字，找到對應backup目錄下的權值檔案，之後執行如下命令
darknet detector recall data/myobject/myobj.data data/myobject/myobj.cfg backup\yolo-obj_XXXX.weights
根據輸出IOU和Recall 值， 找到最好的weight檔案。一般IOU越大越好，Recall也是越大越好。

五、小結

到這裡我們已經可以使用YOLO對某一類物體進行檢測了， 在此感謝國外友人Nils Tijtgat
的文章， 另：CPU跑慢的要死，一次要10分鐘， 我看國外那哥們的貼圖，只要2s， 喵生灰暗。想把darknet在GPU上執行，請戳這裡。除了Bbox-lable-tool外，這裡還有個YoloMark也可以用於bbox的生成，大家有興趣可以看看。