win10 下的YOLOv3 训练 wider_face 数据集检测人脸

1、数据集下载

（1）wider_face 数据集网址为 http://shuoyang1213.me/WIDERFACE/index.html

　　

　　下载以上几项文件（这里推荐 google Drive 百度云在没有会员的情况下，下载太慢）

（2）将文件解压到各自独立的文件夹

　　

　　

2、数据集简介

　　WIDER FACE 数据集是一个人脸检测基准（benchmark）数据集，图片选取自 WIDER（Web Image Dataset for Event Recognition） 数据集。图片数 32,203 张，人脸数 393,703 个，在大小（scale）、位置（pose）、遮挡（occlusion）等不同形式中，人脸是高度变换的。WIDER FACE 数据集是基于61个事件类别，每个事件类别，随机选取训练40%、验证10%、测试50%。训练和测试含有边框（bounding box）真值（ground truth），而验证不含。

　　这里主要使用训练集和验证集，他们对应的标签文件分别为 wider_face_split/wider_face_train_bbx_gt.txt  和  wider_face_split/wider_face_val_bbx_gt.txt 

　　在 wider_face_train_bbx_gt.txt  文件中  

　　数据如下所示：

0--Parade/0_Parade_marchingband_1_849.jpg
1
449 330 122 149 0 0 0 0 0 0

　　第一行代表图片路径

　　第二行是图片中目标个数（人脸个数）

　　第三行是具体的图片中人脸标注的相关参数（具体含义可以在 readme.txt 中看到）

　    从左到右的含义分别是　x1, y1, w, h, blur, expression, illumination, invalid, occlusion, pose

　　（1）x1, y1, w, h, 分别代表 左下点坐标 及宽长

　　（2）blur：模糊程度，0——> 清晰 ,1——> 一般模糊 ， 2——> 严重模糊

　　（3）expression: 表情 0——> 正常 ， 1——> 夸张

　　（4）illumination:光源（应该是曝光程度）0——> 正常 ， 1——>极度

　　（5）occlusion:遮挡  0——> 没有遮挡 ， 1——> 部分遮挡 ， 2——> 严重遮挡

　　（6）pose: 姿势 0——> 正常姿势 , 1——非正常姿势

　　（7）invalid: 无效图片 0——否， 1——> 是　　

3、数据集转换

　　YOLO v3 需要的 标签格式为

0 0.498046875 0.292057761732852 0.119140625 0.1075812274368231　　#type  x y w h

　从左到右的含义分别为 目标类型 （这里只有一种类型，所以都是0 ） 目标框中心点的（x，y）坐标  目标框的宽度和高度   （这里的数据都是单位数据 即 x—— 中心点实际x / 图片宽度 ， y—— 中心点实际y / 图片高度）

　这里可以直接把 wider_face 标签转成 yolo 标签，也可以先转成 voc 格式标签再转成 yolo 标签。考虑到官方有将VOC 格式转成 yolo 格式的代码　voc_label.py 于是先转成 VOC 格式 的标注

（1）转成VOC 格式

# -*- coding: utf-8 -*-

import shutil
import random
import os
import string
from skimage import io

headstr = """\
<annotation>
    <folder>VOC2007</folder>
    <filename>%06d.jpg</filename>
    <source>
        <database>My Database</database>
        <annotation>PASCAL VOC2007</annotation>
        <image>flickr</image>
        <flickrid>NULL</flickrid>
    </source>
    <owner>
        <flickrid>NULL</flickrid>
        <name>company</name>
    </owner>
    <size>
        <width>%d</width>
        <height>%d</height>
        <depth>%d</depth>
    </size>
    <segmented>0</segmented>
"""
objstr = """\
    <object>
        <name>%s</name>
        <pose>Unspecified</pose>
        <truncated>0</truncated>
        <difficult>0</difficult>
        <bndbox>
            <xmin>%d</xmin>
            <ymin>%d</ymin>
            <xmax>%d</xmax>
            <ymax>%d</ymax>
        </bndbox>
    </object>
"""

tailstr = '''\
</annotation>
'''

def writexml(idx, head, bbxes, tail):
    filename = ("Annotations/%06d.xml" % (idx))
    f = open(filename, "w")
    f.write(head)
    for bbx in bbxes:
        f.write(objstr % ('face', bbx[0], bbx[1], bbx[0] + bbx[2], bbx[1] + bbx[3]))
    f.write(tail)
    f.close()

def clear_dir():
    if shutil.os.path.exists(('Annotations')):
        shutil.rmtree(('Annotations'))
    if shutil.os.path.exists(('ImageSets')):
        shutil.rmtree(('ImageSets'))
    if shutil.os.path.exists(('JPEGImages')):
        shutil.rmtree(('JPEGImages'))

    shutil.os.mkdir(('Annotations'))
    shutil.os.makedirs(('ImageSets/Main'))
    shutil.os.mkdir(('JPEGImages'))

def excute_datasets(idx, datatype):

    f = open(('ImageSets/Main/' + datatype + '.txt'), 'a')
    f_bbx = open(('wider_face_split/wider_face_' + datatype + '_bbx_gt.txt'), 'r')

    while True:
        filename = f_bbx.readline().strip('\n')

        if not filename:
            break

        im = io.imread(('WIDER_' + datatype + '/images/' + filename))
        head = headstr % (idx, im.shape[1], im.shape[0], im.shape[2])
        nums = f_bbx.readline().strip('\n')
        bbxes = []
        if nums=='':
            bbx_info= f_bbx.readline()
            continue
        for ind in range(int(nums)):
            bbx_info = f_bbx.readline().strip(' \n').split(' ')
            bbx = [int(bbx_info[i]) for i in range(len(bbx_info))]
            # x1, y1, w, h, blur, expression, illumination, invalid, occlusion, pose
            if bbx[7] == 0:
                bbxes.append(bbx)
        writexml(idx, head, bbxes, tailstr)
        shutil.copyfile(('WIDER_' + datatype + '/images/' + filename), ('JPEGImages/%06d.jpg' % (idx)))
        f.write('%06d\n' % (idx))
        idx += 1
    f.close()
    f_bbx.close()
    return idx

if __name__ == '__main__':
    clear_dir()
    idx = 1
    idx = excute_datasets(idx, 'train')
    idx = excute_datasets(idx, 'val')
    print('Complete...')

wider_face 转成VOC

　　目录格式为

　　

　　（2）VOC 格式转成 yolo 需要的格式

　　将 上述步骤生成的 三个文件夹 即 Annotations ImageSets JPEGImages 放到之前编译好的 \darknet-master\build\darknet\x64\data\voc\VOCdevkit\VOCface 目录中

　　将voc_label.py 放入  \darknet-master\build\darknet\x64\data\voc\ 目录下

　　打开 voc_label.py 文件

　　将7 、8左右的代码改成如下所示：　

# sets=[('2012', 'train'), ('2012', 'val'), ('2007', 'train'), ('2007', 'val'), ('2007_test', 'test')]#
sets=[('face', 'train'), ('face', 'val')]#
#
# classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]

classes = ["face"]

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

# sets=[('2012', 'train'), ('2012', 'val'), ('2007', 'train'), ('2007', 'val'), ('2007_test', 'test')]#
sets=[('face', 'train'), ('face', 'val')]#
#
# classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]

classes = ["face"]

def convert(size, box):
    dw = 1./size[0]
    dh = 1./size[1]
    x = (box[0] + box[1])/2.0
    y = (box[2] + box[3])/2.0
    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(year, image_id):
    in_file = open('VOCdevkit/VOC%s/Annotations/%s.xml'%(year, image_id))
    out_file = open('VOCdevkit/VOC%s/labels/%s.txt'%(year, image_id), '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)

    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')

if __name__=='__main__':
    wd = getcwd()
    for year, image_set in sets:
        if not os.path.exists('VOCdevkit/VOC%s/labels/' % (year)):
            os.makedirs('VOCdevkit/VOC%s/labels/' % (year))
        image_ids = open('VOCdevkit/VOC%s/ImageSets/Main/%s.txt' % (year, image_set)).read().strip().split()
        list_file = open('%s_%s.txt' % (year, image_set), 'w')
        for image_id in image_ids:
            list_file.write('%s/VOCdevkit/VOC%s/JPEGImages/%s.jpg\n' % (wd, year, image_id))
            convert_annotation(year, image_id)
        list_file.close()

VOC_label.py

　　运行 voc_label.py 结束后 将会在 voc 目录下生成 face_train.txt 和 face_val.txt

　　至此前期数据准备工作完成。

4、修改配置文件

（1）配置 cfg 文件

　　将 darknet-master\build\darknet\x64\cfg\yolov3.cfg  文件 复制一份 并重命名为 yolov3-obj.cfg 

　　打开 yolov3-obj.cfg 将 第三行第四行注释掉 将第七行和第八行注释取消

　　将 batch 设为 batch=64   （第6行）

　　将 subdivisions 设为 subdivisions=8 （第7行）

　　如果显卡内存较小（即后面运行时报 out of memory 的错时） 可以 将 batch 改成 32 16 8 等 （保证 batch 是 subdivisions  的整数倍），同时取消多尺度训练 即 设置 random = 0 ( 第 615、701、788 行 )

　　将 max_batches 改为 max_batches = 2000　（第20行）max_batches 的数量为检测的目标数 * 2000

　　将 steps 改为 steps=1600,1800 （第22行）steps =max_batches *0.8 ，0.9

　　将 classes 改为 classes =1　　（第 610 、696、783 行）

　　将 filters 改为 filters =18 （只改三个 yolo 层的上一层的 filters 即 第 603、689 、776 行 ）

（2）配置 obj.data 和 obj.names 文件

　　 可以 复制 voc.data 和obj.names 文件并重命名，也可以自己新建两个文件

　　obj.data 文件中 内容为

classes= 1
train  = data/voc/face_train.txt
valid  = data/voc/face_val.txt
#difficult = data/difficult_2007_test.txt
names = data/obj.names
backup = backup/

　　obj.names 的内容为 face （只有这一行）

face

（3）配置 \darknet-master\Makefile 文件 （在有 GPU 和 CUDNN 的情况下）

　　将第 1 行 GPU=0 改成 GPU=1

　　将第 2 行 CUDNN=0 改成 CUDNN=1

　　将第 58 行 改为 NVCC=C:/Program Files/NVIDIA GPU Computing Toolkit/CUDA/v10.0/bin （自己的cuda 安装目录）

　　将 88 —— 108 行的内容改成如下所示　（即 将对应目录 改成）

ifeq ($(GPU), 1)
COMMON+= -DGPU -I/C:/Program Files/NVIDIA GPU Computing Toolkit/CUDA/v10.0/include
CFLAGS+= -DGPU
ifeq ($(OS),Darwin) #MAC
LDFLAGS+= -L/usr/local/cuda/lib -lcuda -lcudart -lcublas -lcurand
else
LDFLAGS+= -L/C:/Program Files/NVIDIA GPU Computing Toolkit/CUDA/v10.0/lib/x64 -lcuda -lcudart -lcublas -lcurand
endif
endif

ifeq ($(CUDNN), 1)
COMMON+= -DCUDNN
ifeq ($(OS),Darwin) #MAC
CFLAGS+= -DCUDNN -I/usr/local/cuda/include
LDFLAGS+= -L/usr/local/cuda/lib -lcudnn
else
CFLAGS+= -DCUDNN -IC:/Program Files/NVIDIA GPU Computing Toolkit/CUDA/v10.0/include
LDFLAGS+= -L/C:/Program Files/NVIDIA GPU Computing Toolkit/CUDA/v10.0/lib/x64 -lcudnn
endif
endif

（4）下载 预训练文件 https://pjreddie.com/media/files/darknet53.conv.74  放到 \darknet-master\build\darknet\x64　目录中

5、开始训练 

　　在  \darknet-master\build\darknet\x64 目录下打开 powershell

　　运行命令 ./darknet.exe detector train data/obj.data cfg/yolov3-obj.cfg darknet53.conv.74  开始训练

　　如果报 CUDA Error: out of memory

　　 则 将 batch 改成 32 16 8 等 （保证 batch 是 subdivisions  的整数倍），同时取消多尺度训练 即 设置 random = 0 ( 第 615、701、788 行 ) （我是都改成 8 才可以）

6、训练过程中的 输出参数解释

　　 

　　表示所有训练图片中的一个批次（batch）,批次大小的划分根据在cfg/yolov3-obj.cfg中设定的， 批次大小的划分根据我们在 .cfg 文件中设置的subdivisions参数。在我使用的 .cfg 文件中 batch = 8 ，subdivision = 8，所以在训练输出中，训练迭代包含了8组（8组　Region 82, Region 94, Region 106），每组又包含了1张图片，跟设定的batch和subdivision的值一致。（ 也就是说每轮迭代会从所有训练集里随机抽取 batch = 8 个样本参与训练，所有这些 batch 个样本又被均分为 subdivision = 8 次送入网络参与训练，以减轻内存占用的压力）

 

　　（1） Region 82 ，Region 94 ， Region 106 代表三个 训练尺度 82 为最大尺度 用来预测较小目标， 106 为最小尺度  用来预测较大目标，94  为 中间尺度　　在每个尺度 中的数据 会出现大量的 nan 数据 是正常现象，只有迭代的 avg loss 出现 nan 值才说明训练出错。

　　（2）Avg IOU：表示在当前subdivision内的图片的平均IOU，代表预测的矩形框和真实目标的交并比 越接近1 越好

　　（3）Class：标注物体分类的正确率, 期望该值趋近于1;

　　（4）Obj：越接近 1 越好

　　（5）No Obj：越来越小，但不为 0

　　（6）.5R：以IOU=0.5为阈值时候的recall; recall = 检出的正样本/实际的正样本

　　（7）.75R： 以IOU=0.75为阈值时候的recall; recall = 检出的正样本/实际的正样本

　　（8）count：count后的值表示所有的当前subdivision图片（本例中一张）中包含正样本的图片的数量。

　　（9）最后一行

　　　　11：指当前训练的迭代次数

　　　　640.579651：总体的 loss

　　　　647.46337 avg loss ：平均的loss  在这个数字到达 0.05-3 之间 可以停止训练（当该数字 变化趋于平稳，波动不大时停止 ）

　　　　0.00000 rate： 代表当前的学习率，在.cfg文件中定义了它的初始值和调整策略。刚开始出现的值很有可能时 0 是正常情况

　　　   3.38700 seconds：当前批次的训练时间

　　　　88 images：代表已参与训练的图片的数量

7、训练完成与测试

　本次训练用的是破显卡（750 ti），训练不到两小时就我就停下了 avg loss 在 3.8 左右，测试下训练效果

　将cfg 文件的 batch  和 subdivisions  换成 1

　打开 powershell

　输入命令 ./darknet.exe detector test data/obj.data cfg/yolov3-obj.cfg  backup/yolov3-obj_last.weights -i 0 -thresh 0.25 

　放几张从网上随便找的照片，测试结果。初步结果还可以