YOLOv3：训练自己的数据（附优化与问题总结）

环境说明

系统：ubuntu16.04
显卡：Tesla k80 12G显存
python环境: 2.7 && 3.6
前提条件：cuda9.0 cudnn7.0 opencv3.4.0
- 安装cuda和cudnn教程
- 安装opencv3.4.0教程

实现YOLOV3的demo

首先安装darknet框架，官网链接
```
git clone https://github.com/pjreddie/darknet.git

cd darknet

vim  Makefile
```
- 根据情况修改Makefile,如果使用GPU、cudnn和opencv，就将其标志位改成1。
- 编译
```
make
```
- 编译完成，测试一下
```
./darknet
```
  应该会出现以下信息
```
usage: ./darknet <function>
```
  如果有使用opencv，则可以测试下检测用例,会出现很多老鹰的图片说明darknet的安装odk了
```
./darknet imtest data/eagle.jpg
```
使用yolov3预训练模型检测物体
- 首先获取模型权重
```
wget https://pjreddie.com/media/files/yolov3.weights
```
- 然后运行目标检测
```
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
```
  这边运行的时候很可能出现的一个问题就是，没有出现bbox
  
  原因
  
  如果GPU = 1或CUDNN = 1，darknet将为每个层预先分配GPU虚拟内存，这取决于cfg文件中的批量大小和子分区设置。
  
  对于训练，批量大小表示将在迭代中对GPU执行多少图片，更大的值可以减少训练时间，并且如果GPU在迭代中没有足够的内存，则子划分可以将它们分组以防止存储器大小限制问题。
  
  保持1检测，因为这些设置主要用于训练网络。
  
  参考：
  
  https://github.com/pjreddie/darknet/issues/405
  
  https://github.com/pjreddie/darknet/issues/405
  
  解决方法：
  
  （1）检测的时候令cudnn=0，
  
  （2）修改cfg文件成batch=1，sub=1

命令简介

先举个例子

./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg

darknet ：一个可执行的程序，类似win下的exe

detector：是第一个参数，执行detector.c

test：detector.c里面的一个函数test_detector()，用来测试图片

cfg/coco.data："cfg/"是训练的配置文件所在路径，coco.data是.data配置文件名

cfg/yolov3.cfg："cfg/"是训练的配置文件所在路径，yolov3.cfg是.cfg配置文件名

yolov3.weights：训练好的模型，yolov3.weights在darknet根目录

data/dog.jpg：“data/”是要测试图片所在路径，dog.jpg是测试图片文件名

测试
- 测试图片
  
  指令格式
```
./darknet detector test <data_cfg> <test_cfg> <weights> <image_file>（可选）
```
  如果没有指定 <image_file> 就可以像这样测试多张图片
  
  <test_cfg>文件中batch和subdivisions两项须为1或者测试时不使用cudnn
  
  测试时还可以用-thresh调整置信度阈值，例如只显示置信度在60%以上的 bbox
```
./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg  -thresh .6
```
- 检测视频，需要用到demo函数（src/demo.c）
```
./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights test.avi
```
- 在摄像头上测试，需要用到demo函数
```
./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights
```

训练模型

指令格式

./darknet -i <gpu_id> detector train <data_cfg> <train_cfg> <weights>

单GPU训练

./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74

更换GPU训练

./darknet detector -i 2 train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74

多GPU训练

./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gpus 0,1,2,3

CPU训练

./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 --nogpu

模型评估recall,生成测试结果
- 生成测试结果
```
./darknet detector valid <data_cfg> <test_cfg> <weights> <out_file>
```
  （1）<test_cfg>文件中batch和subdivisions两项需为1。
  
  （2）测试结果生成在<data_cfg>的results指定的目录下以<out_file>开头的若干文件中，若<data_cfg>没有指定results，那么默认为darknet/results。
- 计算recall（需要修改detectocr.c请参考第五部分优化与个性化——计算map与recall）
```
/darknet detector recall <data_cfg> <test_cfg> <weights>
```
  （1）<test_cfg>文件中batch和subdivisions两项需为1
  
  （2）RPs/Img、IOU、Recall都是到当前测试图片的均值（意义待续）

训练自己的数据

首先下载预训练卷积权重

wget https://pjreddie.com/media/files/darknet53.conv.74

其次标注数据集，生成yolo所需要的txt格式的labels
- 推荐使用yolo_mark数据集标注工具，可以直接生成txt
- 下载yolo_mark
```
git clone https://github.com/AlexeyAB/Yolo_mark.git
```
- 要在Linux上编译，输入：
```
cd Yolo_mark

cmake .

make

chmod +x linux_mark.sh

./linux_mark.sh
```
- 打开yolo_mark就是GUI的标注了，主要是修改data和names，具体请参考官网
修改配置文件
- 修改.data文件
```
classes= 4 （修改成自己训练的种类数）

train  = /home/user_name/darknet/data/train.txt   （修改成自己train.txt的路径）

valid  = /home/user_name/darknet/data/2007_test.txt （评估测试的图片的路径，用于后面的评估测试）

names = data/voc.names                                  （修改成自己的类别名的路径）

backup = backup                                         （训练的权重所存放的路径）

results = results                            （评估测试结果存放路径，也可以自己定义）
```
- 修改.names这个比较简单，修改自己的类别就可以
  
  例如我的文件是yolov3.names
- 修改.cfg文件
- 关于cfg修改，以4类目标检测为例，主要有以下几处调整（蓝色标出），#表示注释，根据训练和测试，自行修改，修改说明：
  
  A:filters的计算和聚类数目分布有关
  
  yolov3:filters=(classes + 5)x3
  
  yolov2: filters=(classes + 5)x5。
  
  B.classes就是类别数量
  
  C.如果想修改默认anchors数值，可以使用k-means；
  
  D.如果显存够大，则可以开启多尺度训练令random=1，不过loss会有点震荡；
  
  给出一份我的cfg以供参考，传送门
  
  [net]
  
  Testing
  
  batch=1
  
  subdivisions=1
  
  Training
  
  batch=64
  
  subdivisions=8
  
  ......
  
  [convolutional]
  
  size=1
  
  stride=1
  
  pad=1
  
  filters=27###75
  
  activation=linear
  
  [yolo]
  
  mask = 6,7,8
  
  anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326
  
  classes=4###20
  
  num=9
  
  jitter=.3
  
  ignore_thresh = .5
  
  truth_thresh = 1
  
  random=0###1
  
  ......
  
  [convolutional]
  
  size=1
  
  stride=1
  
  pad=1
  
  filters=27###75
  
  activation=linear
  
  [yolo]
  
  mask = 3,4,5
  
  anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326
  
  classes=4###20
  
  num=9
  
  jitter=.3
  
  ignore_thresh = .5
  
  truth_thresh = 1
  
  random=0###1
  
  ......
  
  [convolutional]
  
  size=1
  
  stride=1
  
  pad=1
  
  filters=27###75
  
  activation=linear
  
  [yolo]
  
  mask = 0,1,2
  
  anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326
  
  classes=4###20
  
  num=9
  
  jitter=.3
  
  ignore_thresh = .5
  
  truth_thresh = 1
  
  random=0###1
- 给一份标注好的数据集，有需要的可以参考目录和格式.百度网盘戳我
  
  提取码: j1zi
开始训练
```
./darknet detector train cfg/yolov3.data cfg/yolov3.cfg  darknet53.conv.74
```
avg：平均loss，越小越好，

rate：学习率，默认为0.001，可以根据自己的训练情况调整,一般为0.01，0.003，0.001等

训练参数说明

Region xx: cfg文件中yolo-layer的索引，82是大物体层，94是中物体层，106小物体层；

Avg IOU: 当前迭代中，预测的box与标注的box的平均交并比，越大越好，期望数值为1；

Class: 标注物体的分类准确率，越大越好，期望数值为1；

obj: 越大越好，期望数值为1；

No obj: 越小越好；

.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

0.75R: 以IOU=0.75为阈值时候的recall;

count: 正样本数目。

优化与个性化问题

这边的更改之后都需要make clean后再make。如果改了之后发现没变化，请第一时间看看是不是没有执行这一步。

什么时候保存模型，又要如何更改呢？

迭代次数小于1000时，每100次保存一次，大于1000时，每10000次保存一次。

自己可以根据需求进行更改，然后重新编译即可[ 先 make clean ,然后再 make]

代码位置： examples/detector.c line 138

如何在图像上添加置信度？

可以看github的修改记录，也可以看下面的修改，修改传送门

修改src/image.c文件draw_detections()函数，代码修改如下：

int i,j;

    for(i = 0; i < num; ++i){

        char labelstr[4096] = {0};

		char s1[]={"  "};//为了name与置信度之间加空格

        int class = -1;

	    char possible[5];//存放检测的置信值

        for(j = 0; j < classes; ++j){

	    sprintf(possible,"%.2f",dets[i].prob[j]);//置信值截取小数点后两位赋给possible

            if (dets[i].prob[j] > thresh){

                if (class < 0) {

                    strcat(labelstr, names[j]);

					strcat(labelstr,s1); //加空格

		            strcat(labelstr, possible);//标签中加入置信值

                    class = j;

                } else {

                    strcat(labelstr, ", ");

                    strcat(labelstr, names[j]);

					strcat(labelstr,s1);//加空格

		            strcat(labelstr, possible);//标签中加入置信值

                }

                printf("%s: %.0f%%\n", names[j], dets[i].prob[j]*100);

            }

        }

如何缩小标签大小？

src/image.c的draw_detections()函数中，get_label函数调用的参数,修改成合适的大小

效果图：

如何添加中文标签？

首先制作中文标签图片，

在darknet/data/labels里面有制作脚本make_labels.py。修改以下就可以用了

例如我的是四类，我就修改成

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

import os

l=["行人","前部","侧边","后部"]

def make_labels(s):

    i = 0

    for word in l:

        os.system("convert -fill black -background white -bordercolor white -border 4  -font /usr/share/fonts/truetype/arphic/ukai.ttc -pointsize %d label:\"%s\" \"cn_%d_%d.png\""%(s,word,i,s/12-1))

      i = i + 1

for i in [12,24,36,48,60,72,84,96]:

    make_labels(i)

运行脚本

python make_labels.py

就可以在labels里面看到自己制作的图片标签

其次修改src/image.c的代码

具体请看github的修改，传送门，修改完之后，make clean && make.

测试以下，如图，Bingo!!!

如何批量检测？

可以看我github的修改，也可以按照下面的修改。修改传送门

首先在添加一个获取图片名字的函数：

#include "darknet.h"

#include <opencv2/highgui/highgui.hpp>

static int coco_ids[]={1,2,3,4,5,6,7,8,9,10,11,13,14,15,16,17,18,19,20,21,22,23,24,25,27,28,31,32,33,34,35,36,37,38,39,40,41,42,43,44,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,67,70,72,73,74,75,76,77,78,79,80,81,82,84,85,86,87,88,89,90};

char *GetFilename(char *p)

{

   static char name[20]={""};

   char *q = strrchr(p,'/') + 1;

   strncpy(name,q,10);//后面的10是你自己图片名的长度，可修改

   return name;

}

替换examples/detector.c 中的test_detector函数

void test_detector(char *datacfg, char *cfgfile, char *weightfile, char *filename, float thresh, float hier_thresh, char *outfile, int fullscreen)

{

    list *options = read_data_cfg(datacfg);

    char *name_list = option_find_str(options, "names", "data/names.list");

    char **names = get_labels(name_list);

    image **alphabet = load_alphabet();

    network *net = load_network(cfgfile, weightfile, 0);

    set_batch_network(net, 1);

    srand(2222222);

    double time;

    char buff[256];

    char *input = buff;

    float nms=.45;

    int i=0;

    while(1){

        if(filename){

            strncpy(input, filename, 256);

            image im = load_image_color(input,0,0);

            image sized = letterbox_image(im, net->w, net->h);

            layer l = net->layers[net->n-1];

            float *X = sized.data;

            time=what_time_is_it_now();

            network_predict(net, X);

            printf("%s: Predicted in %f seconds.\n", input, what_time_is_it_now()-time);

            int nboxes = 0;

            detection *dets = get_network_boxes(net, im.w, im.h, thresh, hier_thresh, 0, 1, &nboxes);

            if (nms) do_nms_sort(dets, nboxes, l.classes, nms);

                draw_detections(im, dets, nboxes, thresh, names, alphabet, l.classes);

                free_detections(dets, nboxes);

            if(outfile)

             {

                save_image(im, outfile);

             }

            else{

                save_image(im, "predictions");

#ifdef OPENCV

                cvNamedWindow("predictions", CV_WINDOW_NORMAL);

                if(fullscreen){

                cvSetWindowProperty("predictions", CV_WND_PROP_FULLSCREEN, CV_WINDOW_FULLSCREEN);

                }

                show_image(im, "predictions",0);

                cvWaitKey(0);

                cvDestroyAllWindows();

#endif

            }

            free_image(im);

            free_image(sized);

            if (filename) break;

         }

        else {

            printf("Enter Image Path: ");

            fflush(stdout);

            input = fgets(input, 256, stdin);

            if(!input) return;

            strtok(input, "\n");

            list *plist = get_paths(input);

            char **paths = (char **)list_to_array(plist);

             printf("Start Testing!\n");

            int m = plist->size;

            if(access("/home/lzm/data/test_folder/darknet/car_person/out",0)==-1)//"/homelzm/......"修改成自己要保存图片的的路径

            {

              if (mkdir("/home/lzm/data/test_folder/darknet/car_person/out",0777))//"/homelzm/......"修改成自己要保存图片的的路径

               {

                 printf("creat folder failed!!!");

               }

            }

            for(i = 0; i < m; ++i){

             char *path = paths[i];

             image im = load_image_color(path,0,0);

             image sized = letterbox_image(im, net->w, net->h);

        //image sized = resize_image(im, net->w, net->h);

        //image sized2 = resize_max(im, net->w);

        //image sized = crop_image(sized2, -((net->w - sized2.w)/2), -((net->h - sized2.h)/2), net->w, net->h);

        //resize_network(net, sized.w, sized.h);

        layer l = net->layers[net->n-1];

        float *X = sized.data;

        time=what_time_is_it_now();

        network_predict(net, X);

        printf("Try Very Hard:");

        printf("%s: Predicted in %f seconds.\n", path, what_time_is_it_now()-time);

        int nboxes = 0;

        detection *dets = get_network_boxes(net, im.w, im.h, thresh, hier_thresh, 0, 1, &nboxes);

        //printf("%d\n", nboxes);

        //if (nms) do_nms_obj(boxes, probs, l.w*l.h*l.n, l.classes, nms);

        if (nms) do_nms_sort(dets, nboxes, l.classes, nms);

        draw_detections(im, dets, nboxes, thresh, names, alphabet, l.classes);

        free_detections(dets, nboxes);

        if(outfile){

            save_image(im, outfile);

        }

        else{

             char b[2048];

            sprintf(b,"/home/lzm/data/test_folder/darknet/car_person/out/%s",GetFilename(path));//"/homelzm/......"修改成自己要保存图片的的路径

            save_image(im, b);

            printf("OJBK!\n",GetFilename(path));

#ifdef OPENCV

            cvNamedWindow("predictions", CV_WINDOW_NORMAL);

            if(fullscreen){

                cvSetWindowProperty("predictions", CV_WND_PROP_FULLSCREEN, CV_WINDOW_FULLSCREEN);

            }

            show_image(im, "predictions",0);

            cvWaitKey(0);

            cvDestroyAllWindows();

#endif

        }

        free_image(im);

        free_image(sized);

        if (filename) break;

        }

      }

    }

}

make clean后再make然后批量测试即可，输入的路径为那些图片路径的txt。

如何输入检测结果文本，计算recall，map计算
- 生成测试结果
```
./darknet detector valid <data_cfg> <test_cfg> <weights> <out_file>
```
  <test_cfg>文件中batch和subdivisions两项必须为1。
  
  结果生成在<data_cfg>的results指定的目录下以<out_file>开头的若干文件中，若<data_cfg>没有指定results，那么默认为<darknet_root>/results。
  
  如果出现以下问题，则说明在.data文件里面没有指定valid的路径，添加即可
```
Couldn't open file: data/train.list
```
- 计算recall
  
  修改examples/detector.c的validate_detector_recall函数，修改传送门
  
  首先将validate_detector_recall函数定义和调用修改成
```
void validate_detector_recall(char *datacfg, char *cfgfile, char *weightfile)

validate_detector_recall(datacfg, cfg, weights);
```
```
list *plist = get_paths("data/coco_val_5k.list");

char **paths = (char **)list_to_array(plist);

    修改成

list *options = read_data_cfg(datacfg);

char *valid_images = option_find_str(options, "valid", "data/train.list");

list *plist = get_paths(valid_images);

char **paths = (char **)list_to_array(plist);
```
  修改完老规矩，make clean后再make
  
  计算recall
```
./darknet detector recall <data_cfg>  <test_cfg>  <weights>
```
  - <test_cfg>文件中batch和subdivisions两项必须为1。
- 计算map
  - 先制作xml文件，由于yolo需要的是txt标注，所以之前没有制作xml的。现在利用一个脚本txt2xml.py进行转换，txt2xml.py传送门。
    
    在python3的环境下运行，就可以得到xml文件
  - 计算mAP
    
    借助py-faster-rcnn下的voc_eval.py计算，voc_eval.py传送门
    
    然后新建一个all_map.py（顾名思义是计算所有类的ap，平均一下就是map）的计算脚本，这边提供一个例子，根据注释修改即可。all_map.py传送门
    
    python2 all_map.py即可看到ap
    
    若不想让他输出这么多rec什么，可以修改voc.eval.py的返回值只返回ap既可
    
    若要输出结果就直接在命令后面加一个 > ap_res.txt 即可
    
    若有需求重复计算map，需要删除生成的annots.pkl

后台运行并保存训练日志

nohup 执行命令 > 输出文件 2>&1 &

例如

nohup ./darknet detector train head_detector/head.data head_detector/head.cfg head_detector/backup/head.backup -gpus 0,1 > train.log 2>&1 &

Loss和IOU可视化

用上面生成的train.log来可视化，代码在github，可以根据注释修改，安装pandas等相关模块即可

代码传送门

我的训练初步效果
使用python接口进行批量检测并保存测试结果和分割图片

只需要将python接口中的文件路径替换成自己的，具体看github代码注释，代码传送门
```
python darknet.py
```
测试结果目录树类似以下。若出现模块报错等，则安装相应模块即可。

可能出现的问题

出现大量的-nan

原因

有三个可能
1. 可能cfg文件的batch=1，subdivisions=1
2. 可能batch太小了
3. 训练的图片中没有遍布大中小三个层
解决方案
1. 修改成Training状态的参数batch=64, subdicisions=16
1. 在显存允许的情况下，增加batch
2. 第三种情况属于正常，因为YOLOv3从三个scale上提取了特征，且不同尺度选取了不同尺度的的检测框，比如你在训练小目标，那么region82和region94出现nan就正常。
CUDA: out of memory
```
darknet: ./src/cuda.c:36: check_error: Assertion `0' failed.
```
原因：显存不够

解决方案：关闭random，如果还是不行，可以适当调小batch（32或者16）
训练了很多次itertation，但是还是什么都没有检测出来？

原因
1. 检测的时候需要batch和sub不是1 ；
2. 如果调低thresh后还没有出现bbox，那么就是训练的时候可能batch和sub都是1，这样训练的模型几乎不能用
解决方案
1. 测试的时候.cfg文件中令 (batch=1,subdivisions=1)；
2. 训练的时候将.cfg文件修改成（batch=64, subdicisions=16)
cfg修改问题？
```
darknet: ./src/parser.c:348: parse_region: Assertion `l.outputs == params.inputs' failed
```
原因：filters修改错误，没有对上classes；

解决方案：修改filters

YOLOv2: filters =（classes+5）x5

YOLOv3: filters =（classes+5）x3
can't open file :train.txt or can't load image ？
```
Couldn't open file:/home/lzm/test_folder/darknet/car_person/labels/jam6_0116.txt
```
原因：一般来说是train.txt的文件格式问题；

解决方案：把train.txt的换行格式修改成unix换行格式，另外图片路径要正确，参考博文
Segmentation fault (core dumped)，训练几百次intertation后分段错误

原因
1. 开了尺度训练即cfg中random=1，显存不足;
2. 标注的box里面出现x,y=0的情况;
解决方案
1. 关闭尺度训练，random=0;
2. 修改坐标让x,y>0; 参考issue
detector recall的时候出现大量nan

原因：detector.c代码中的bug，k的最大值必须由nbox确定，而不是

解决方案：修改examples/detector.c的代码，修改参考
为了批量检测图片，修改detector.c后，编译出现问题
```
error: too few arguments to function ‘show_image’

show_image(im, "predictions");
```
原因：show_image函数少了一个参数，有些代码是比较旧的。

解决方案：修改报错的那一行
```
show_image(im, "predictions");

改成

show_image(im, "predictions"，0);
```
为了批量检测图片，修改detector.c后，编译出现问题
```
error: ‘CV_WINDOW_NORMAL’ undeclared (first use in this function)

cvNamedWindow("predictions", CV_WINDOW_NORMAL);
```
原因：原因链接，darknet.h还少了opencv的一个头文件，#include <opencv2/highgui/highgui.hpp>

解决方案：在报错的程序中加上即可
```
#include "darknet.h"

#include <opencv2/highgui/highgui.hpp>
```
使用txt2xml.py生成xml时候的问题

问题issue

'encoding' is an invalid keyword argument for this function

原因：在Python 2中，open（）函数不带编码参数（第三个参数是缓冲选项）

解决方法：有两种

import io

open改成 io.open
使用python3

References

YOLOv3：训练自己的数据（附优化与问题总结）的更多相关文章

利用YOLOV3训练自己的数据
写在前面:YOLOV3只有修改了源码才需要重新make,而且make之前要先make clean. 一.准备数据在/darknet/VOCdevkit1下建立文件夹VOC2007. voc2007文 ...
YOLOv3训练自己的数据
1. 下载预训练权重文件 YOLOv3使用在Imagenet上预训练好的模型参数(文件名称: darknet53.conv.74,大小76MB)基础上继续训练. darknet53.conv.74下 ...
caffe 如何训练自己的数据图片
申明:此教程加工于caffe 如何训练自己的数据图片一.准备数据有条件的同学,可以去imagenet的官网http://www.image-net.org/download-images,下载im ...
YOLO2解读，训练自己的数据及相关转载以供学习
https://pjreddie.com/darknet/yolo/ 具体安装及使用可以参考官方文档https://github.com/pjreddie/darknet https://blog.c ...
软件架构自学笔记----分享“去哪儿 Hadoop 集群 Federation 数据拷贝优化”
去哪儿 Hadoop 集群 Federation 数据拷贝优化背景去哪儿 Hadoop 集群随着去哪儿网的发展一直在优化改进,基本保证了业务数据存储量和计算量爆发式增长下的存储服务质量.然而,随着 ...
Win10中用yolov3训练自己的数据集全过程（VS、CUDA、CUDNN、OpenCV配置，训练和测试）
在Windows系统的Linux系统中用yolo训练自己的数据集的配置差异很大,今天总结在win10中配置yolo并进行训练和测试的全过程. 提纲: 1.下载适用于Windows的darknet 2. ...
caffe学习三：使用Faster RCNN训练自己的数据
本文假设你已经完成了安装,并可以运行demo.py 不会安装且用PASCAL VOC数据集的请看另来两篇博客. caffe学习一:ubuntu16.04下跑Faster R-CNN demo (基于c ...
yolov3测试自己的数据
yolov3测试自己的数据前言上一篇我已经介绍了利用yolov3预训练权重文件(只包含卷积层)并训练只需要进行如下编译: ./darknet detector train cfg/voc.dat ...
[源码解析] PyTorch分布式优化器(2)----数据并行优化器
[源码解析] PyTorch分布式优化器(2)----数据并行优化器目录 [源码解析] PyTorch分布式优化器(2)----数据并行优化器 0x00 摘要 0x01 前文回顾 0x02 DP 之 ...

随机推荐

Linux-ftp虚拟用户配置
云服务器ESC 部署vsftpd 虚拟用户说明:云服务器部署和本地服务器部署一样,都需要开通指定的相应端口,只不过云服务器需要在安全组规则中打开相应的端口允许通过. 环境说明: 对应的用户对应不同的 ...
elasticsearch-head的安装
elasticsearch-head是es的一个可视化的客户端插件,可以直接对ES进行增删改查操作,安装前需要先安装NODEJS: 安装: 1.到git上下载源代码: # git clone git: ...
运行selenium脚本，报seleneium common exception.SessionNotCreatedException:Message:Unable to find a matching set of capabilities错误
老男孩Python全栈学习 S9 日常作业 010
1.写函数,接收n个数字,求这些参数数字的和. def func1(*Num): num = 0 for i in Num: num += i return num 2.读代码,回答:代码中,打印出来 ...
吐血记录微信小程序授权获取Unionid及linux下使用bouncycastle解密用户数据遇到的坑
背景公司小程序上线了,发现系统无法拿到一些用户的UniondID.但是上线前的测试一切都是正常的. 坑1 经排查,发现一些用户通过下面的接口无法得到unionid https://api.weixi ...
Eclipse使用JDBC小案例
JDBC(Java Database Connectivity:Java访问数据库的解决方案)定义一套标准接口,即访问数据库的通用API,不同数据库厂商根据各自数据的特点去实现这些接口. JDBC是J ...
[Reinforcement Learning] Cross-entropy Method
Cross-entropy Method(简称CEM)虽然是一种基于交叉熵的算法,但并不是我们熟知的监督学习中的交叉熵方法,与其说它是一种基于交叉熵的算法,倒不如说是一种基于蒙特卡洛和进化策略的算法. ...
js关于“变量提升、作用域、私有作用域等知识点”高级解题思路
var i = 2, x = 5;var fn = function (x) { x += 3; return function (y) { console.log(( ...
BUAA-OO-表达式解析与求导
BUAA-OO-表达式解析与求导解析按照常规,解析这一部分我们分为词法分析与语法分析.当然由于待解析的字符串较简单,词法分析器和语法分析器不必单独实现. 词法分析器按照常规,我们先手写一个词法分 ...
关于this绑定的四种方式
一.前言我们每天都在书写着有关于this的javascript代码,似懂非懂地在用着.前阵子在看了<你不知道的JavaScript上卷>之后,也算是被扫盲了一边关于this绑定的四种方式 ...

YOLOv3：训练自己的数据（附优化与问题总结）

环境说明

实现YOLOV3的demo

命令简介

训练自己的数据

Testing

batch=1

subdivisions=1

Training

优化与个性化问题

可能出现的问题

References

YOLOv3：训练自己的数据（附优化与问题总结）的更多相关文章

随机推荐

热门专题