天天看点
返回

目标检测 | YOLO v3配置笔记YOLO v3配置Tiny YOLOv3训练Pasal VOC数据集验证训练结果训练COCO数据集Reference

YOLO v3配置

获取YOLO v3安装文件并编译 

git clone https://github.com/pjreddie/darknet
cd darknet
make

下载训练好的YOLO v3模型 

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

检测效果 

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

see the detect：

105 conv    255  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 255  0.754 BFLOPs
  106 yolo
Loading weights from yolov3.weights...Done!
data/dog.jpg: Predicted in 0.043505 seconds.
dog: 100%
truck: 92%
bicycle: 99%

使用detector test 模式检测图片

./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg

see the detect：

105 conv    255  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 255  0.754 BFLOPs
  106 yolo
Loading weights from yolov3.weights...Done!
data/dog.jpg: Predicted in 0.043032 seconds.
dog: 100%
truck: 92%
bicycle: 99%

将阈值设为0

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg -thresh 0

yolov3检测视频文件

./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights /media/****/****/video/aa.mp4

Tiny YOLOv3

获取Tiny YOLOv3模型 

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

Tiny YOLOv3模型检测图片 

./darknet detect cfg/yolov3-tiny.cfg yolov3-tiny.weights data/dog.jpg

训练Pasal VOC数据集

获取数据集

首先软连接本地电脑上的VOC数据库

cd data
ln -s /media/****/****/data/VOCdevkit .

若本机没有VOC数据库，可联网下载

wget https://pjreddie.com/media/files/VOCtrainval_11-May-2012.tar
wget https://pjreddie.com/media/files/VOCtrainval_06-Nov-2007.tar
wget https://pjreddie.com/media/files/VOCtest_06-Nov-2007.tar
tar xf VOCtrainval_11-May-2012.tar
tar xf VOCtrainval_06-Nov-2007.tar
tar xf VOCtest_06-Nov-2007.tar

制作标签文件

将scripts文件夹下的voc_label.py文件复制到data路径下

cp ../scripts/voc_label.py .

生成标签文件

python voc_label.py
cat 2007_train.txt 2007_val.txt 2012_*.txt > train.txt

修改配置参数

Modify Cfg for Pascal VOC Data cfg/voc.data

classes= 20
train  = /media/****/****/darknet-yolov3/darknet/data/train.txt
valid  = /media/****/****/darknet-yolov3/darknet/data/2007_test.txt
names = data/voc.names
backup = backup

注意修改cfg/yolov3-voc.cfg的参数

[net]
    # Testing
    # batch=1
    # subdivisions=1
    # Training
     batch=64
     subdivisions=16

训练时，batch=64， subdivisions=16，

测试时 batch=1，subdivisions=1

下载预训练模型darknet53 

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

训练模型 

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

测试训练模型

修改cfg/yolov3-voc.cfg的参数，否则会出现检测不到目标的现象，没有画出检测框

[net]
        # Testing
        batch=1
        subdivisions=1
        # Training
	  # batch=64
	  #subdivisions=16
           
./darknet detector demo cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights /media/****/****/video/aa.mp4


./darknet detector test cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights data/dog.jpg -thresh 0.01

检测视频30～47fps，检测单张图片是0.022s

目标检测 | YOLO v3配置笔记YOLO v3配置Tiny YOLOv3训练Pasal VOC数据集验证训练结果训练COCO数据集Reference
目标检测 | YOLO v3配置笔记YOLO v3配置Tiny YOLOv3训练Pasal VOC数据集验证训练结果训练COCO数据集Reference

验证训练结果

批处理测试图并输出检测结果文本 

./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc.backup -out ""

在终端返回用时，在./result下测试结果。

使用py-faster-rcnn下的voc_eval.py计算mAP

将py-faster-rcnn/lib/datasets/voc_eval.py拷贝到darknet根目录

voc_eval.py下载：https://github.com/rbgirshick/py-faster-rcnn/blob/master/lib/datasets/voc_eval.py

py-faster-rcnn中的voc_eval.py解读

https://blog.csdn.net/qq_34806812/article/details/82018072

新建compute_mAP.py 

from voc_eval import voc_eval
print(voc_eval('/home/****/****/darknet/results/{}.txt', '/home/****/****/darknet/voc/VOCdevkit/VOC2012/Annotations/{}.xml', '/home/****/****/darknet/voc/2012_val.txt', 'egret', '.'))

参数第一个为上一步的txt路径，

第二个为验证集对应的xml标签路径，

第三个为验证集txt文本路径，

第四个为待验证的类别名，

第五个为pkl文件保存的路径

注意：验证机txt内容必须是无路径无后缀的图片名。

用python 3 执行 compute_mAP.py

重复执行，检测其他类别需要删除 ./darknet/annots.pkl ，或者改变compute_mAP.py中pkl文件保存的路径

voc_eval.py中返回的最后一个值即AP，检测单类就是mAP

目标检测 | YOLO v3配置笔记YOLO v3配置Tiny YOLOv3训练Pasal VOC数据集验证训练结果训练COCO数据集Reference

计算recall

修改examples/detector.c下的validate_detector_recall函数

  1. 修改validate_detector_recall()函数的定义 
//void validate_detector_recall(char *cfgfile, char *weightfile)
void validate_detector_recall(char *datacfg, char *cfgfile, char *weightfile)
  1. 修改validate_detector_recall()函数的调用 
//else if(0==strcmp(argv[2], "recall")) validate_detector_recall(cfg, weights);
else if(0==strcmp(argv[2], "recall")) validate_detector_recall(datacfg,cfg, weights);
  1. 替换list *plist = get_paths(“data/coco_val_5k.list”);为list *plist=get_paths(“voc/train.txt”);自己的训练集文本 
//list *plist = get_paths("data/coco_val_5k.list");
//char **paths = (char **)list_to_array(plist);

list *options = read_data_cfg(datacfg);
char *valid_images = option_find_str(options, "valid", "/media/****/801328a5-39c6-4e08-b070-19fc662a5236/darknet-yolov3/darknet/data/2007_val.txt");
list *plist = get_paths(valid_images);
char **paths = (char **)list_to_array(plist);
  1. 修改for循环中的nboxes。 
//for(k = 0; k < l.w*l.h*l.n; ++k){
for(k = 0; k < nboxes; ++k){

注意以上四处修改，否则可能会出现IOU为NAN的情况。

修改后examples/detector.c之后需要重新make.

./darknet detector recall cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc.backup

结果：最后一列为recall值。

目标检测 | YOLO v3配置笔记YOLO v3配置Tiny YOLOv3训练Pasal VOC数据集验证训练结果训练COCO数据集Reference

直接计算出所有单类别的mAP和总的mAP

新建computer_all_mAP.py

from voc_eval import voc_eval
import os
current_path = os.getcwd()
results_path = current_path+"/results"
sub_files = os.listdir(results_path)
mAP = []
for i in range(len(sub_files)):
    class_name = sub_files[i].split(".txt")[0]    rec, prec, ap = voc_eval('/home/peidashun/projects/darknet/results/{}.txt', '/home/peidashun/projects/darknet/voc/VOCdevkit/VOC2018/Annotations/{}.xml', '/home/peidashun/projects/darknet/voc/2018_test.txt', class_name, '/home/peidashun/projects/darknet/voc/VOCdevkit/VOC2018/mAP')
    print("{} :\t {} ".format(class_name, ap))
    mAP.append(ap)
mAP = tuple(mAP)
print("***************************")
print("mAP :\t {}".format( float( sum(mAP)/len(mAP)) ))

注意： results文件夹只能有 '类名.txt’文件，2018_test.txt文件包含所有results中txt文件的图片名（保证是共同的验证集），保证最后的输出路径下无pkl文件。

上述代码中的ap就是针对输入单一类别计算出的AP。

训练COCO数据集

下载coco数据集 

cp scripts/get_coco_dataset.sh data
cd data
bash get_coco_dataset.sh

其中，get_coco_dataset.sh为

#!/bin/bash

# Clone COCO API
git clone https://github.com/pdollar/coco
cd coco

mkdir images
cd images

# Download Images
wget -c https://pjreddie.com/media/files/train2014.zip
wget -c https://pjreddie.com/media/files/val2014.zip

# Unzip
unzip -q train2014.zip
unzip -q val2014.zip

cd ..

# Download COCO Metadata
wget -c https://pjreddie.com/media/files/instances_train-val2014.zip
wget -c https://pjreddie.com/media/files/coco/5k.part
wget -c https://pjreddie.com/media/files/coco/trainvalno5k.part
wget -c https://pjreddie.com/media/files/coco/labels.tgz
tar xzf labels.tgz
unzip -q instances_train-val2014.zip

# Set Up Image Lists
paste <(awk "{print \"$PWD\"}" <5k.part) 5k.part | tr -d '\t' > 5k.txt
paste <(awk "{print \"$PWD\"}" <trainvalno5k.part) trainvalno5k.part | tr -d '\t' > trainvalno5k.txt

修改配置参数cfg/coco.data 

classes= 80
train  = /media/****/****/data/darkbet-coco/coco/trainvalno5k.txt
valid  = /media/****/****/data/darkbet-coco/coco/5k.txt
#valid = data/coco_val_5k.list
names = data/coco.names
backup = backup-coco
eval=coco

修改配置文件yolo.cfg

将yolov3.cfg拷贝一份，重命名为yolov3-coco.cfg，并修改

[net]
# Testing
# batch=1
# subdivisions=1
# Training
batch=64
subdivisions=63

训练

使用两个GPU进行训练

./darknet detector train cfg/coco.data cfg/yolov3-coco.cfg darknet53.conv.74 -gpus 1,2

Reference

[1] https://pjreddie.com/darknet/yolo/

[2] https://github.com/pjreddie/darknet

深度学习 目标检测 yolo
上一篇: yolov3增强版TensorRT加速MX250下28fpsyolov3增强版TensorRT加速MX250下28fps！JetsonNano必备
下一篇: 几种常用的CSS居中方法，几行代码很简单

继续阅读