YOLO目标检测

使用VOC数据训练模型

下载数据集

我们将使用Pascal VOC数据集训练我们的模型，该数据集可以用来做图像分类、目标检测、图像分割。
下载地址：
将下载的三个VOC数据集压缩文件放在darknet/scripts/中，使用以下命令解压：

tar xf voc.tar && tar xf VOCtrainval_11-May-2012.tar
tar xf VOCtrainval_06-Nov-2007.tar && tar xf VOCtest_06-Nov-2007.tar
1
2

• Annotations文件夹：用于存放图片描述，文件格式为.xml，文件保存了图片文件名，尺寸，标注，坐标，是否分割等信息。

• ImageSets文件夹：保存了不同用途的图片名字列表，文件格式是.txt。其中包括，
  layout文件夹：保存具有人体部位的图片名字列表。
  main文件夹：保存用于图像物体识别的图片名字列表。
  segmenttions文件夹：保存用于图像分割的图片名字列表。

• JPEGImages文件夹：保存全部图片源文件。

• SegmentationClass，SegmentationObject保存用于图像分割的源图片，两者区别如图所示：

创建标签

标签结构：("类别"，“中心点x坐标”，“中心点y”坐标，“图片宽度”，“图片高度”)

# 在scripts文件夹内
python voc_label.py
1
2

执行成功后会生成一个label文件夹和三个txt文件，分别是2007_train.txt，2007_test.txt，2007_val.txt，2012_train.txt

修改配置文件

打开darknet/cfg/voc.data，修改train，valid文件路径

classes：数据集中图片分类数量。
train：用于训练的图片数据集绝对路径。
valid：用于验证的图片数据集绝对路径。
names：数据集中图片分类名字，如：“dog”，“person”等。
backup：模型训练完成后，权重文件保存路径。

模型训练

wget https://pjreddie.com/media/files/darknet53.conv.74
1

备用下载：

修改cfg/yolov3-voc.cfg

[net]
# 模型测试模式
# Testing
# batch=1
# subdivisions=1 

# 模型训练模式
#Training 
# batch_size
batch=64
subdivisions=16
#用于进一步分割batch_size,分割后的batch_size大小为：batch_size/subdivisions

# 模型输入图像宽
width=416
# 模型输入图像高
height=416
# 图像通道数
channels=3
# 使用带动量优化函数的动量参数
momentum=0.9
# 权重衰减率，用于防止过拟合
decay=0.0005

# 以下4项是通过改变图像角度，饱和度，曝光量，色调来生成更多样本，可用于防止过拟合
angle=0
saturation = 1.5
exposure = 1.5
hue=.1

# 初始学习率
learning_rate=0.001
burn_in=1000
# 迭代次数
max_batches = 50200
# 当迭代到40000，45000时更改学习率
policy=steps
steps=40000,45000
scales=.1,.1

[convolutional]
# BN标准化处理，可以通过改变数据分布，处理梯度过小问题，加快模型收敛
batch_normalize=1
# 输出特征大小
filters=32
# 卷积核大小3x3
size=3
# 卷积步长为1
stride=1
# pad为0,padding由 padding参数指定。如果pad为1，padding大小为size/2
pad=1
# 激活函数，和relu的区别是当输入值小于0时，输出不为0
activation=leaky

**。。。。。省略。。。。。。**

[yolo]
mask = 0,1,2
# 预选框，可手动指定也可通过聚类学习得到
anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
# 识别种类
classes=20
# 每个cell预测box数量，yolov1时只有一个
num=9
# 增加噪声
jitter=.3
ignore_thresh = .5
truth_thresh = 1
random=1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69

执行训练：

./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74
1

停止继续训练：

./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc.backup
1

训练完成后，权重文件保存在backup文件夹内。

参数解释

• cfg文件参数含义

batch: 每一次迭代送到网络的图片数量，也叫批数量。增大这个可以让网络在较少的迭代次数内完成一个epoch。在固定最大迭代次数的前提下，增加batch会延长训练时间，但会更好的寻找到梯度下降的方向。如果你显存够大，可以适当增大这个值来提高内存利用率。这个值是需要大家不断尝试选取的，过小的话会让训练不够收敛，过大会陷入局部最优。

subdivision：这个参数很有意思的，它会让你的每一个batch不是一下子都丢到网络里。而是分成subdivision对应数字的份数，一份一份的跑完后，在一起打包算作完成一次iteration。这样会降低对显存的占用情况。如果设置这个参数为1的话就是一次性把所有batch的图片都丢到网络里，如果为2的话就是一次丢一半。

angle：图片旋转角度，这个用来增强训练效果的。从本质上来说，就是通过旋转图片来变相的增加训练样本集。

saturation，exposure，hue：饱和度，曝光度，色调，这些都是为了增强训练效果用的。

learning_rate：学习率，训练发散的话可以降低学习率。学习遇到瓶颈，loss不变的话也减低学习率。

max_batches： 最大迭代次数。

policy：学习策略，一般都是step这种步进式。

step，scales：这两个是组合一起的，举个例子：learn_rate: 0.001, step:100,25000,35000 scales: 10, .1, .1 这组数据的意思就是在0-100次iteration期间learning rate为原始0.001，在100-25000次iteration期间learning rate为原始的10倍0.01，在25000-35000次iteration期间learning rate为当前值的0.1倍，就是0.001， 在35000到最大iteration期间使用learning rate为当前值的0.1倍，就是0.0001。随着iteration增加，降低学习率可以是模型更有效的学习，也就是更好的降低train loss。

最后一层卷积层中filters数值是 3 * (classes + 5）(YOLOv3)。

region里需要把classes改成你的类别数。

最后一行的random，是一个开关。如果设置为1的话，就是在训练的时候每一batch图片会随便改成320-640（32整倍数）大小的图片。目的和上面的色度，曝光度等一样。如果设置为0的话，所有图片就只修改成默认的大小 416*416。

• 训练log中各参数的意义

Region Avg IOU：平均的IOU，代表预测的bounding box和ground truth的交集与并集之比，期望该值趋近于1。

Class：是标注物体的概率，期望该值趋近于1.

Obj：期望该值趋近于1.

No Obj：期望该值越来越小但不为零.

Avg Recall：期望该值趋近1

avg：平均损失，期望该值趋近于0

rate：当前学习率

推荐博客：
YOLO训练自己的数据集的一些心得