Yolov3在windows下的训练_windows训练yolov3教程

一：搭建环境

        一：Opencv安装

• 下载3.4.0版本：https://zh.osdn.net/projects/sfnet_opencvlibrary/releases/
• 接着配置opencv环境变量：
  • 我的电脑--->属性--->高级系统设置--->高级--->环境变量--->系统变量--->path--->编辑
  • 将OpenCV安装目录的bin目录添加进去

  • 二、显卡驱动、CUDA（版本 >= 7.5）、CUDNN

  • 三、下载darknet

    • github链接：GitHub - AlexeyAB/darknet: YOLOv4 / Scaled-YOLOv4 / YOLO - Neural Networks for Object Detection (Windows and Linux version of Darknet )
    • 安装VS
      • 步骤1：打开 darknet-master\build\darknet\darknet.vcxproj用记事本修改

        

        • 修改CUDA 后面的版本，原来写的是10.0，改成自己的版本就好
      • 步骤2：如果要使用GPU的话，用VS打开同目录下的darknet.exe，在项目上右键选择”重定向项目“，修改如下：

        

        • 注意的是一定要选择”无升级“。如果不甚选择了升级的话，下一次再次选择”重定向项目“就没这个选项了，这个时候项目右键选择”属性“，在配置属性->常规->平台工具集处选择Visual Studio 2015（v140）

          

          

      • 步骤3：将…\opencv\build\x64\vc14\bin下的opencv_world340.dll 和opencv_ffmpeg340_64.dll 复制到 \darknet-master\build\darknet\x64 目录下
      • 步骤4：将将 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\extras\visual_studio_integration\MSBuildExtensions 下的四个文件复制到VS的目录下：

        

        

      • 步骤5：
        • 包含目录：在darknet项目上点击鼠标右键->属性，弹出如下界面：然后VC++目录-->包含目录-->编辑
        • 添加的目录：

          

          • ...\opencv\build\include（...代表opencv的安装路径，下文同理）
          • ...\opencv\build\include\opencv2
          • ...\opencv\build\include\opencv
      • 步骤6：库目录：方法与包含目录类似，添加的目录为：...\opencv\build\x64\vc14\lib
      • 步骤7：链接器：添加目录...\opencv\build\x64\vc14\lib下库的名字：opencv_world340 .lib

        

      • 步骤8：
        • 在...\darknet-master\build\darknet\x64目录下，然后将..\opencv\build\x64\vc14\bin下的opencv_world340.dll 和opencv_ffmpeg340_64.dll 复制到 darknet.exe的同级别目录下。

          

          

      • 步骤9：右键项目，生成，在：\darknet-master\build\darknet\x64下，成功后会生成一个darknet.exe

        

      • 步骤10：下权重模型yolov3.weights文件
        • 下载预训练权重文件：https://pjreddie.com/media/files/yolov3.weights，下载后放在.\darknet\build\darknet\build\darknet\x64下，
        • 在.\darknet\build\darknet\build\darknet\x64下，打开该目录，双击darknet_yolo_v3.cmd会出现那张狗狗的照片及检测结果，说明编译成功了
        • 在\darknet-master\build\darknet\x64下生成了一个darknet.exe，这东西就和Ubuntu下通过make生成的darknet可执行文件一样的啦。在该目录下测试一下来一个快捷键，shift按住，然后鼠标右键，选择”在此处打开powershell 窗口“，虽然可能打开出来有点丑，但是能用的。输入：.\darknet.exe detect .\cfg\yolov3.cfg .\yolov3.weights .\data\dog.jpg

二：训练自己的数据集

• 1：数据集构成
  • 先标记，生成txt文件。标记完成构建以下目录：

    

  • 把所有的样本图片和对应的txt文件放到：darknet-master\build\darknet\x64\data\obj\下面，一张图对应一个txt。（新建obj文件夹，复制训练的图片和生成的txt文件到darknet\x64\data\obj下面）

    

  • 在darknet-master\build\darknet\x64\data\下新建train.txt。将所有训练图片和对应的txt文件一起放在. \darknet\build\darknet\x64\data\obj中，测试图片放在. \darknet\build\darknet\x64\data\test中，生成train.txt和test.txt（路径在obj和test）：
    • 在darknet-master\build\darknet\x64\data目录下新建train.py文件和train,txt文件，路径改为绝对路径。把训练图片的路径写在文件里面，每行一个路径，如图

      

      

      

  • 在. \darknet\build\darknet\x64中新建backup文件夹，存放训练的权重文件，新建log文件夹存放训练过程的数据。
• 步骤1：下载http://pjreddie.com/media/files/darknet53.conv.74预训练权重文件到. \darknet\build\darknet\x64
• 步骤2：从.\ darknet\build\darknet\x64\cfg中复制yolo3.cfg到.\ darknet\build\darknet\x64并命名为yolo-obj.cfg(名字自己随意)。修改每一个yolo层上面一层的filters和yolo层的classes，classes是类别数，filters = （classes+5）*3。改成train模式，可以修改batch_size和subdivisions。max_batches修改为classes*2000，这个也可以自己定。steps=max_batches*80%,max_batches*90%：查找每个yolo下（共有3处）的classes改成你自己的类的数量 ：classes = N，查找每个yolo上面第一个convolutional下的filters（如图）改成你自己的大小，计算方法是： filters=(classes + 5)x3 ,由于我的是4类，所以我的filters=27. （这个也是只有3处）

  

  

  • batch 改成64 ：batch=64
  • subdivisions 改成8 ：subdivisions=8
  • 训练的时候如果出现内存溢出错误（Out of memory），可以，将batch改小些（64,32,16,8），将random改成0关闭多尺度训练。
  • 若遇到cuda error:out of memory错误，调整batch_size和subdivisions，batch_size改小，分批数subdivisions可以设置成等于batch_size。每批训练的个数=batch/subvisions，根据GPU修改，显存不够值就大一些
• 步骤3：从. \darknet\cfg中复制voc.names到. \darknet\build\darknet\x64\data中，命名为obj.names，修改，每一行是一个类别名。

  

  

• 步骤4：复制voc.data到. \darknet\build\darknet\x64\data中，命名为obj.data，根据自己的路径修改里面的内容。

  

  

• 步骤5：修改Makefile，在\darknet-master路径下

  

  

• 步骤6：训练。下载复制darknet53.conv.74文件到darknet-master\build\darknet\x64目录下。打开win10终端，cd进入darknet-master\build\darknet\x64路径，然后输入：./darknet.exe detector train data/hat.data yolov3-hat.cfg darknet53.conv.74 开始训练。

  

  • 训练过程中输出的参数的意义
    • Avg IOU:预测出的bbox和实际标注的bbox的交集除以它们的并集，这个值越大说明预测的效果越好。
    • Avg Recall:平均召回率，检测出的物体个数除以标注的所有物体个数。
    • count:前面写的大写的Count也是这个参数，一般都是写的小写。这个参数表示标注的所有物体的个数，例如：如果count=6，recall=0.66667，就表示一共有6个物体（可能包含不同类别，这里不考虑类别）。如果预测出4个，那么recall=4/6=0.66667。
    • train loss和Avg train loss这两个参数应该随着iteration增加而降低，如果loss增大到几百就说明是发散了，如果loss在一段时间内不变，就需要降低learning_rate和改变batch来加强学习效果，但是也有可能是训练已经充分。
• 测试：./darknet.exe detector test data/hat.data yolov3-hat.cfg backup/yolov3-hat_10000.weights
• 摄像头测试：./darknet.exe detector demo data/hat.data yolov3-hat.cfg backup/yolov3-hat_10000.weights

注意事项 ：

• 报错1：找不到opencv_world340.dll。到opencv的安装目录下找到两个文件：D:\opencv-3.4.1\opencv\build\x64\vc15\bin下复制opencv_world340.dll和opencv_ffmpeg340_64.dll到.\darknet\build\darknet\x64\darknet.exe所在目录下。

  

• 报错2：如果CUDA不是10.0版本的话，要把compute_75,sm_75移除掉。那就试试吧再次打开属性->配置属性->CUDA C/C++ ->Device->Code Generation，删掉compute_75,sm_75

  

  

• 报错3：没有下载yolov3.weights文件。下载预训练权重文件：https://pjreddie.com/media/files/yolov3.weights，下载后放在.\darknet\build\darknet\build\darknet\x64下，打开该目录，双击darknet_yolo_v3.cmd会出现那张狗狗的照片及检测结果，说明编译成功了

  

  • 成功

    

• 报错4：　.\darknet\build\darknet修改darknet.vcxproj文件，由于darknet.vcxproj 中使用的是CUDA 9.1,所以要将所有CUDA 9.1修改为自己对应的CUDA版本。
• 报错：the windows sdk version 10.0 was not found install the required version of …
  • 下载了最新的Window SDK，安装后把 配置属性->常规->目标平台版本改成安装的版本后，不报错了