2018年年中的時候，一不小心接觸到了物體檢測屆的一位佼佼者，一階段檢測架構yolo，于是花了幾個月研究并記錄下來。直到最近，在工作上要用到物體檢測，我第一反應就是yolo3，于是把訓練的步驟和過程詳細記錄下來，給各位分享分享。
首先，如果你想用tensorflow版的yolo3去訓練，肯定會搜到https://github.com/qqwweee/keras-yolo3 這個github的開源項目，但是我告訴你，這個開源項目的訓練程式，可以跑通，但是你是得不出正确結果的，這個開源項目，除開trian過程，其他的都沒多大問題，唯獨訓練過程，是不對的！并且，其訓練速度遠不及darknet本身的c++代碼要高效。但是他的開源代碼有非常好的用處。一個是跟python銜接，利于python使用者開發；另一方面，他的代碼對圖像增強和yolo3的優化有非常好的借鑒作用。待會咱們再說這個開源項目。
咱們先去我的窩把代碼下下來：https://github.com/robbebluecp/keras-yolo3-core （手動滑?）
來，咱們開始訓練自己的資料吧。依舊先以voc資料為例。
一、準備資料（我幫整理好了。。。）
資料連結：https://lzy-public-data.oss-cn-beijing.aliyuncs.com/voc2007.tar
檔案夾包括至少五個檔案（我用的是mac電腦，我的檔案夾路徑：/Users/yvan/data/voc2007）：
建議各位看官把資料下下來，解壓看看，跟我的思路，齊步走！一二一。。。
（1）images是存放了所有圖檔的檔案夾
（2）lables檔案夾存放着每個圖檔的相關資料
（3）train.txt記錄着每張訓練集圖檔的絕對路徑
（4）test.txt記錄着每張測試集圖檔的絕對路徑
（5）class.txt記錄着所有類别的名稱
相關資料這裡詳細解釋一下：
每一行資料由5個元素組成，分别是：類别ID，x相對坐标值，y相對坐标值，w相對值，h相對值
1）類别ID：每個類别對應的ID号（假設為1）
然後，我們假設如下圖檔，圖檔的寬為：200，高為500；狗狗的A坐标(x1, y1), B坐标(x2, y2)
2）x相對坐标值：(x1 + x2) / 2 / 200
3）y相對坐标值：(y1 + y2) / 2 / 500
4）w相對值：(x2 - x1) / 200
5）h相對值：(y2 - y1) / 500
那其中一行的資料就是：1 (x1 + x2) / 2 / 200 (y1 + y2) / 2 / 500 (x2 - x1) / 200 (y2 - y1) / 500
二、darknet安裝
https://pjreddie.com/darknet/install/
官網已經說得非常詳細了，這裡再簡述一下
1、下載下傳
git clone https://github.com/pjreddie/darknet.git
cd darknet
然後咱們配置一下
2、配置
打開Makefile
vim Makefile
然後咱們修改頭幾行
#是否安裝GPU版
GPU=1
#安裝GPU肯定得需要CUDNN驅動
CUDNN=1
#是否安裝opencv支援，這個需要預先安裝opencv（建議裝上）
OPENCV=1
3、編譯安裝
make
沒有error就準備嗨皮吧！
四、下載下傳我重構的代碼吧。。。
git clone https://github.com/yfyvan/keras-yolo3-core.git
五、生成配置
以下操作假設：1、darknet架構已經裝好；2、資料集檔案夾無誤；3、keras-yolo3-core代碼clone完畢
1、cd keras-yolo3-core
2、python3 darknet.GenerateConfig('/Users/yvan/darknet/darknet', '/Users/yvan/data/voc2007').run()
或：python3 darknet.GenerateConfig('/Users/yvan/darknet/darknet', '/Users/yvan/data/voc2007').run()
其中：
“/Users/yvan/darknet/darknet”是darknet架構路徑
“/Users/yvan/data/voc2007”是資料集的路徑
如果不報錯，你會發現！
在darknet的cfg檔案夾多出了train_meta.cfg 和train_net.cfg兩個檔案，一個是資料配置檔案，一個是網絡配置檔案
在darknet的data檔案夾多出了class.txt檔案，是類别的記錄檔案
這裡，簡述一下train_net.cfg的重要參數：(引自：https://blog.csdn.net/qq_43211132/article/details/88679979)
batch：類似于keras的batch概念，一批訓練樣本的大小
subdivisions：一批樣本拆分子樣本的大小（防止記憶體溢出）。我重構的darknet.GenerateConfig可以對上述倆參數做設定
max_batches：類似于keras的epoch，指疊代的次數
其中非主要參數，各位移步引用博文進行參觀- -
六、開始訓練
cd "darknet路徑"
./darknet detector train cfg/train_meta.cfg cfg/train_net.cfg
七、輸出監控(參考：https://timebutt.github.io/static/understanding-yolov2-training-output/)
（1）8指的是目前疊代次數
（2）2691.69說是總體損失，這點我不太清楚。2577.05是平均損失。
（3）0.000000是學習率。我也很好奇為何是0.00000，在我的GPU電腦能正确顯示，有知道的大佬歡迎戳
以上是重點需要關心的輸出
八、其他常用指令
# 從0開始訓練
./darknet detector train cfg/train_meta.cfg cfg/train_net.cfg
# 加載預訓練模型
# wget https://pjreddie.com/media/files/darknet53.conv.74
./darknet detector train cfg/train_meta.cfg cfg/train_net.cfg darknet53.conv.74
# 多GPU訓練
./darknet detector train cfg/train_meta.cfg cfg/train_net.cfg -gpu 0,1,2,3,4,5,6
# 斷點訓練
./darknet detector train cfg/train_meta.cfg cfg/train_net.cfg backup/xxx.backup
九、模型轉換
訓練完後，你能在darknet/backup下發現一個訓練權重檔案xxx.weights
1、改下名字吧，改成model_yolo.weights
2、拉回到keras-yolo3-core/model_data
3、把darknet/cfg的train_net.cfg也拉回來，改成model_yolo.cfg吧
4、那個darknet/data的class.txt也拉回來
5、cd keras-yolo3-core
運作
python3 darknet.Convert(model_data/train_net.cfg, model_data/model_yolo.weights, model_data/model_yolo.h5)
十、預測
找到keras-yolo3-core的predict代碼
修改三處：
（1）model_file_path
就是model_data/model_yolo.h5
（2）image_file_path
model_data/model_yolo.h5
（3）class_file_path
class.txt的路徑
然後跑吧！