建立自己的voc数据集_在Ubuntu内制作自己的VOC数据集

一、下载和测试模型

1. 下载YOLO-v3

git clone https://github.com/qqwweee/keras-yolo3.git

这是在Ubuntu里的命令，windows直接去 https://github.com/qqwweee/keras-yolo3下载、解压。得到一个 keras-yolo3-master 文件夹

2. 下载权重

wget https://pjreddie.com/media/files/yolov3.weights

去 https://pjreddie.com/media/files/yolov3.weights 下载权重。将 yolov3.weights 放入 keras-yolo3-master 文件夹

3. 生成 h5 文件

python convert.py yolov3.cfg yolov3.weights model_data/yolo.h5

执行convert.py文件，这是将darknet的yolo转换为用于keras的h5文件，生成的h5被保存在model_data下。命令中的 convert.py 和 yolo.cfg 已经在keras-yolo3-master 文件夹下，不需要单独下载。

4. 用已经被训练好的yolo.h5进行图片识别测试

python yolo_video.py --image

执行后会让你输入一张图片的路径，由于我准备的图片放在与yolo_video.py同级目录，所以直接输入图片名称，不需要加路径

这就表明测试成功了。

二、制作自己的VOC数据集

参考我原来写的博客：

我是在Ubuntu内标注然后移到Windows的，如果在Windows里安装了LabelImg，可以直接在Windows下标注。

最后文件布局为：

三、修改配置文件、执行训练

1. 复制 voc_annotation.py 到voc文件夹下，修改 voc_annotation.py 分类。如下图：

    执行 voc_annotation.py 获得这四个文件

import xml.etree.ElementTree as ET

from os import getcwd

sets=[('2018', 'train'), ('2018', 'val'), ('2018', 'test'), ('2018', 'trainval')]

classes = []

def convert_annotation(year, image_id, list_fi