一、 YOLOv2安装使用

1. darknet YOLOv2安装

git clone https://github.com/pjreddie/darknet
cd darknet
make


或到网址上下载darknet文件夹,解压后在darknet文件夹下执行make编译。

2. 预测模型权重下载

wget https://pjreddie.com/media/files/yolo.weights

或到网址上下载yolo.weights,放到darknet目录下。

3. 目标检测

./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg

预测过程大约需要15S,结果保存在darknet目录下predictions.jpg

二、 YOLOv2重新训练

1. 准备数据&&打标

数据包括训练数据和验证数据,所有数据需要把要识别的物体事先标注出来,标注工具推荐使用labelImg

labelImg下载地址:http://download.csdn.net/download/dcrmg/9974195

打标的结果保存在xml文件中。

2. 建立训练和验证数据文件夹/提取图片名称

在darknet文件夹下建立4个文件夹----trainImage、validateImage、trainImageXML、validateImageXML,分别用来存放训练图片、验证图片、训练图片的xml标签、验证图片的xml标签。
在darknet文件夹下建立2个txt文件————trainImageId.txt和validateImageId.txt,分别用来存放训练图片和测试图片的名称(含后缀不包含目录)。  这一步可以在上边4个文件夹手动建立完成的基础上调用python脚本自动完成,createID.py下载地址:https://code.csdn.net/snippets/2601808
把createdID.py文件放在darkent目录下直接运行就可以分别生成trainImageId.txt和validateImageId.txt

3. xml标签转换成txt/图片路径提取

训练需要把图片的xml格式标签转换成txt文件格式,并且需要把所有的训练和验证数据图片的路径提取到一个单独的txt文件里,供训练的时候读取,本步骤可以使用python脚本自动完成,trans.py下载地址:https://code.csdn.net/snippets/2601809
下载完成之后把 trans.py 放到darknet目录下,需要把 trans.py 中classes分类的内容改成自己的分类之后再运行即可。

运行之后生成一系列文件,分别是:
XXX.txt——存放训练/验证图片的xml标签转换成的txt文件,自动生成的所有训练和验证的txt文件保存在对应的trainImage和validateImage文件夹下;
trainImagePath.txt/validateImagePath.txt——存放训练/验证图片的名称(包含后缀)和完整路径;

4. 修改配置文件

4.1 修改cfg/voc.data文件

voc.data是整个训练流程的引入文件,记录了训练的 classes(分类)、train(训练数据)、valid(验证数据)、names(训练模型)、backup(训练结果保存路径)。根据自己的情况分别做以下更改:

  • classes = N (N为自己的分类数量,有10类不同的对象,N = 10)
  • train = /home/XXX/darknet/trainImagePath.txt
  • valid = /home/XXX/darknet/validateImagePath.txt
  • names = data/voc.names (需要修改原voc.names文件中参数)
  • backup = backup (训练结果保存在darknet/backup/目录下)

4.2 修改data/voc.names文件

voc.names文件存放的是所有的分类,原始文件一共有20类,每类单独占一行,一共20行,根据自己的分类情况做更改,例如有3种分类,分别是class1、class2、class3,则更改voc.names文件为:
class1
class2
class3

4.3 修改cfg/yolo-voc.2.0.cfg文件

yolo-voc.2.0.cfg文件定义yolo训练使用的网络,有两处需要更改:

  • classes = N (N为自己的分类数)
  • 最后一个convolutional层中 filters = (classes+ coords+ 1)* (NUM),classes是分类数,coords和NUM在 voc.2.0.cfg中分别设定为4和5,所以如果有3个分类,则修改filters的值为40((3+4+1)×5 =40 )

4.4 下载预训练卷积权重文件darknet19_448.conv.23

在该卷积权重文件的基础上做进一步的参数调整,下载地址: http://pjreddie.com/media/files/darknet19_448.conv.23
下载完成之后放在cfg文件夹目录下。

5. yolo训练

yolo默认训练会迭代45000次,训练之前可以根据自己的情况修改迭代次数,进入cfg/yolo_voc.2.0.cfg修改max_batches的值。
在darknet目录下执行训练命令:

./darknet detector train cfg/voc.data cfg/yolo-voc.2.0.cfg cfg/darknet19_448.conv.23

训练完成之后的权重文件保存在darknet/backup文件夹下。

6. 训练结果测试

运行以下命令执行测试:

./darknet detector test cfg/voc.data cfg/yolo-voc.2.0.cfg backup/yolo-voc_final.weights 01.jpg

7. 附

附 CreateID.py 和 trans.py 代码

CreateID.py:

# -*- coding: utf-8 -*-
import os;
import shutil; def listname(path,idtxtpath):
filelist = os.listdir(path); # 该文件夹下所有的文件(包括文件夹)
filelist.sort()
f = open(idtxtpath, 'w');
for files in filelist: # 遍历所有文件
Olddir = os.path.join(path, files); # 原来的文件路径
if os.path.isdir(Olddir): # 如果是文件夹则跳过
continue;
f.write(files);
f.write('\n');
f.close(); savepath = os.getcwd()
imgidtxttrainpath = savepath+"/trainImageId.txt"
imgidtxtvalpath = savepath + "/validateImageId.txt"
listname(savepath + "/trainImage",imgidtxttrainpath)
listname(savepath + "/validateImage",imgidtxtvalpath)
print "trainImageId.txt && validateImageId.txt have been created!"

trans.py:

import xml.etree.ElementTree as ET
import pickle
import string
import os
import shutil
from os import listdir, getcwd
from os.path import join
import cv2 sets=[('2012', 'train')] classes = ["class1","class2","class3","class4"] 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(image_id,flag,savepath): if flag == 0:
in_file = open(savepath+'/trainImageXML/%s.xml' % (os.path.splitext(image_id)[0]))
out_file = open(savepath+'/trainImage/%s.txt' % (os.path.splitext(image_id)[0]), 'w')
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size') img = cv2.imread('./trainImage/'+str(image_id))
h = img.shape[0]
w = img.shape[1] elif flag == 1:
in_file = open(savepath+'/validateImageXML/%s.xml' % (os.path.splitext(image_id)[0]))
out_file = open(savepath+'/validateImage/%s.txt' % (os.path.splitext(image_id)[0]), 'w') tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size') img = cv2.imread('./validateImage/' + str(image_id))
h = img.shape[0]
w = img.shape[1] 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') wd = getcwd() for year, image_set in sets:
savepath = os.getcwd();
idtxt = savepath + "/validateImageId.txt";
pathtxt = savepath + "/validateImagePath.txt";
image_ids = open(idtxt).read().strip().split()
list_file = open(pathtxt, 'w')
s = '\xef\xbb\xbf'
for image_id in image_ids:
nPos = image_id.find(s)
if nPos >= 0:
image_id = image_id[3:]
list_file.write('%s/validateImage/%s\n' % (wd, image_id))
print(image_id)
convert_annotation(image_id, 1, savepath)
list_file.close() idtxt = savepath + "/trainImageId.txt";
pathtxt = savepath + "/trainImagePath.txt" ;
image_ids = open(idtxt).read().strip().split()
list_file = open(pathtxt, 'w')
s = '\xef\xbb\xbf'
for image_id in image_ids:
nPos = image_id.find(s)
if nPos >= 0:
image_id = image_id[3:]
list_file.write('%s/trainImage/%s\n'%(wd,image_id))
print(image_id)
convert_annotation(image_id,0,savepath)
list_file.close()

darknet YOLOv2安装及数据集训练的更多相关文章

  1. 搭建 MobileNet-SSD 开发环境并使用 VOC 数据集训练 TensorFlow 模型

    原文地址:搭建 MobileNet-SSD 开发环境并使用 VOC 数据集训练 TensorFlow 模型 0x00 环境 OS: Ubuntu 1810 x64 Anaconda: 4.6.12 P ...

  2. Caffe系列4——基于Caffe的MNIST数据集训练与测试(手把手教你使用Lenet识别手写字体)

    基于Caffe的MNIST数据集训练与测试 原创:转载请注明https://www.cnblogs.com/xiaoboge/p/10688926.html  摘要 在前面的博文中,我详细介绍了Caf ...

  3. tensorflow中使用mnist数据集训练全连接神经网络-学习笔记

    tensorflow中使用mnist数据集训练全连接神经网络 ——学习曹健老师“人工智能实践:tensorflow笔记”的学习笔记, 感谢曹老师 前期准备:mnist数据集下载,并存入data目录: ...

  4. darknet(yolov2)移植到caffe框架

    yolov2到caffe的移植主要分两个步骤:一.cfg,weights转换为prototxt,caffemodel1.下载源码:git clone https://github.com/marvis ...

  5. 从零到一:caffe-windows(CPU)配置与利用mnist数据集训练第一个caffemodel

    一.前言 本文会详细地阐述caffe-windows的配置教程.由于博主自己也只是个在校学生,目前也写不了太深入的东西,所以准备从最基础的开始一步步来.个人的计划是分成配置和运行官方教程,利用自己的数 ...

  6. darknet是如何对数据集做resize的?

    在准备数据集时,darknet并不要求我们预先对图片resize到固定的size. darknet自动帮我们做了图像的resize. darknet训练前处理 本文所指的darknet版本:https ...

  7. darknet的安装及报错解决

    darknet 是YOLO网络的一个框架,安装见官网:https://pjreddie.com/darknet/ 跟着步骤就可以安装好了. 由于官网是全英文的,所以本文根据官网进行中文释义. 本人在按 ...

  8. TensorFlow入门-Tianic数据集训练

    import pandas as pd import tensorflow as tf from sklearn.model_selection import train_test_split imp ...

  9. 目标检测:keras-yolo3之制作VOC数据集训练指南

    制作VOC数据集指南 Github:https://github.com/hyhouyong/keras-yolo3 LabelImg标注工具(windows环境下):https://github.c ...

随机推荐

  1. prop()方法和attr()方法以及区别

    prop()方法: prop() 方法设置或返回被选元素的属性和值. 当该方法用于返回属性值时,则返回第一个匹配元素的值. 当该方法用于设置属性值时,则为匹配元素集合设置一个或多个属性/值对. 注意: ...

  2. Redis(十):使用RedisTemplate执行Redis脚本

    对于Redis脚本使用过的同学都知道,这个主要是为了防止竞态条件而用的.因为脚本是顺序执行的.(不用担心效率问题)比如我在工作用,用来设置考试最高分. 如果还没有用过的话,先去看Redis脚本的介绍, ...

  3. Django--网页管理实例解析

    此篇为代码流程的注释以及自己写的小项目的思路: 首先是项目的路由配置: urlpatterns = [ # url(r'^admin/', admin.site.urls), url(r'^yemia ...

  4. 深入浅出Attribute(二)

    上篇里,我们把Attribute“粘”在类的成员方法上show了一把,让Attribute跟大家混了个脸儿熟.中篇里,我们将探讨“究竟什么是Attribute”和“如何创建及使用Attribute”这 ...

  5. ASP.NET MVC路径引用总结

    1.关于路径: (1)绝对路径 包含站点路径的路径:<a href=”http://www.baidu.com/about.jpg”>百度</a> 站点改变路径失效: (2)相 ...

  6. 网页图表类框架(插件)——百度eCharts和Highcharts

    ECharts, 缩写来自Enterprise Charts,商业级数据图表,一个纯Javascript的图表库, 可以流畅的运行在PC和移动设备上,兼容当前绝大部分浏览器(IE6/7/8/9 /10 ...

  7. erlang进程监控:link和monitor

    Erlang最开始是为了电信产品而发展起来的语言,因为这样的目的,决定了她对错误处理的严格要求.Erlang除了提供exception,try catch等语法,还支持Link和Monitor两种监控 ...

  8. 如何创建虚拟硬盘 + os 读取硬盘参数代码

    [0]README 0.1) 本文旨在演示如何利用 bximage 创建虚拟硬盘: 0.2) 利用 os 读取硬盘参数, source code from orange's implemention ...

  9. nodejs实如今线群聊

    这不是一个项目而是一个适合刚開始学习的人学习的样例.主要实现了下面基本功能: 1:群聊.每个人都能够收到其它人的消息,以及能够发消息给其它人,每个人用ip地址标识. 2:显示当前在线用户. 3:每个用 ...

  10. HDU1864 最大报销额 01背包

    非常裸的01背包,水题.注意控制精度 #include <iostream> #include <algorithm> #include <cstdio> #inc ...