1. 下載下傳預訓練權重檔案
YOLOv3使用在Imagenet上預訓練好的模型參數(檔案名稱: darknet53.conv.74,大小76MB)基礎上繼續訓練。
darknet53.conv.74下載下傳連結: https://pjreddie.com/media/files/darknet53.conv.74,下載下傳完成後放在darknet主目錄。
也可以直接在darknet目錄下通過wget指令下載下傳:
wget https://pjreddie.com/media/files/darknet53.conv.74
2. 準備打标工具并對自己的圖檔資料打标
打标工具推薦使用 labelImg,下載下傳位址:https://github.com/tzutalin/labelImg 或 http://download.csdn.net/download/dcrmg/9974195
labelImg使用很簡單,在圖檔的物體上畫框然後給一個标簽就可以了,打标結果的儲存格式是xml檔案。
例如對于train1.jpg,打标結果儲存為train1.xml
3. xml标簽檔案格式轉換
YOLO訓練的标簽檔案是txt格式,需要把第2步中的xml檔案轉換。
- 1) 在darknet主目錄下建立4個檔案夾: trainImage、validateImage、trainImageXML 和 validateImageXML,并分别存放第2步中的訓練集圖檔、驗證集圖檔、訓練集xml标簽和驗證集xml标簽
- 2) 借助createID.py生成訓練集和驗證集的圖檔名稱清單trainImageId.txt和validateImageId.txt。
createID.py 代碼:
# -*- coding: utf-8 -*-
import os;
import shutil;
def listname(path,idtxtpath):
filelist = os.listdir(path); # 該檔案夾下所有的檔案(包括檔案夾)
filelist.sort()
f = open(idtxtpath, 'w');
for files in filelist: # 周遊所有檔案
Olddir = os.path.join(path, files); # 原來的檔案路徑
if os.path.isdir(Olddir): # 如果是檔案夾則跳過
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!"
3) 借助trans.py生成訓練集和驗證集的完整路徑清單并完成标簽xml檔案到txt檔案的轉換
trans.py代碼:
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()
注意: 需要根據自己的類别更改trans.py檔案第12行的classes,有幾個類别寫幾個。
執行之後在darknet主目錄下生成trainImagePath.txt、validateImagePath.txt和所有的txt标注檔案。
4. 修改配置檔案
- 1) 修改data/voc.names 檔案
把 voc.names檔案内容改成自己的分類,例如有3個分類class_1,class_2,class_3,則voc.names内容改為:
class_1
class_2
class_3
- 2) 修改cfg/voc.data檔案
根據自己的實際情況做以下修改:
classes = N #(N為自己的分類數量,如有10類不同的對象,N = 10)
train = /home/XXX/darknet/trainImagePath.txt # 訓練集完整路徑清單
valid = /home/XXX/darknet/validateImagePath.txt # 測試集完整路徑清單
names = data/voc.names # 類别檔案
backup = backup #(訓練結果儲存在darknet/backup/目錄下)
- 3) 修改cfg/yolov3-voc.cfg 檔案
1. classes = N (N為自己的分類數)
2. 修改每一個[yolo]層(一共有3處)之前的filters為 3*(classes+1+4),如有3個分類,則修改 filters = 24
3. (可選) 修改訓練的最大疊代次數, max_batches = N
5. YOLOv3訓練
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74
訓練完成後結果檔案 ‘yolov3-voc_final.weights’ 儲存在 backup檔案中。
6. 自訓練模型測試
./darknet detector test cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights 01.jpg