darknet優化經驗-AlexeyAB大神經驗

darknet優化經驗

主要來自於：AlexeyAB 版本darknet

目錄

• darknet優化經驗
  • 1. AlexeyAB改進項
  • 2. Linux下編譯選項
  • 3. 訓練經驗
  • 4. 提升檢測效果
  • 5. 總結
  • 6. AlexeyAB大神改進

1. AlexeyAB改進項

• 提供window支持

• 相較於原版pjreddie版本darknet提升了訓練速度

• 添加了二值化網絡，XNOR(bit) ，速度快，准確率稍低https://github.com/AlexeyAB/darknet/blob/master/cfg/yolov3-tiny_xnor.cfg

• 提升7%通過將卷積層和BN層合並為一個（*_*）不太懂。

• 多GPU訓練提升

• 修補了[reorg]層

• 添加了mAP, IOU，Precision-Recall計算

  darknet detector map...

• 可以在訓練過程中畫loss圖像

• 添加了根據自己數據集的anchor生成

• 提升視頻檢測，網絡攝像頭，opencv相關問題

• 提出了一個INT8的網絡，提升了檢測速度，但是准確率稍有下降

  https://github.com/AlexeyAB/yolo2_light

2. Linux下編譯選項

• GPU=1 to build with CUDA to accelerate by using GPU (CUDA should be in /usr/local/cuda)
• CUDNN=1 to build with cuDNN v5-v7 to accelerate training by using GPU (cuDNN should be in /usr/local/cudnn)
• CUDNN_HALF=1 to build for Tensor Cores (on Titan V / Tesla V100 / DGX-2 and later) speedup Detection 3x, Training 2x
• OPENCV=1 to build with OpenCV 3.x/2.4.x - allows to detect on video files and video streams from network cameras or web-cams
• DEBUG=1 to bould debug version of Yolo
• OPENMP=1 to build with OpenMP support to accelerate Yolo by using multi-core CPU
• LIBSO=1 to build a library darknet.so and binary runable file uselib that uses this library. Or you can try to run so LD_LIBRARY_PATH=./:$LD_LIBRARY_PATH ./uselib test.mp4 How to use this SO-library from your own code - you can look at C++ example: https://github.com/AlexeyAB/darknet/blob/master/src/yolo_console_dll.cpp or use in such a way: LD_LIBRARY_PATH=./:$LD_LIBRARY_PATH ./uselib data/coco.names cfg/yolov3.cfg yolov3.weights test.mp4

3. 訓練經驗

• 首先對數據集進行檢錯，使用提供的如下庫進行檢測：

https://github.com/AlexeyAB/Yolo_mark

• 什么時候停止訓練

  • avg loss不再下降的時候

  • 通常每個類需要2000-4000次迭代訓練即可

  • 防止過擬合：需要在Early stopping point停止訓練

    

    使用以下命令：

    darknet.exe detector map...

    建議訓練的時候帶上-map,可以畫圖

    

4. 提升檢測效果

• random=1可以設置適應多分辨率

• 提升分辨率：416--> 608等必須是32倍數

• 重新計算你的數據集的anchor:(注意設置的時候計算問題)

  darknet.exe detector calc_anchors data/obj.data -num_of_clusters 9 -width 416 -height 416

• 檢查數據集通過https://github.com/AlexeyAB/Yolo_mark

• 數據集最好每個類有2000張圖片，至少需要迭代2000*類的個數

• 數據集最好有沒有標注的對象，即負樣本，對應空的txt文件，最好有多少樣本就設計多少負樣本。

• 對於一張圖有很多個樣本的情況，使用max=200屬性(yolo層或者region層)

• for training for small objects - set layers = -1, 11 instead of https://github.com/AlexeyAB/darknet/blob/6390a5a2ab61a0bdf6f1a9a6b4a739c16b36e0d7/cfg/yolov3.cfg#L720 and set stride=4 instead of https://github.com/AlexeyAB/darknet/blob/6390a5a2ab61a0bdf6f1a9a6b4a739c16b36e0d7/cfg/yolov3.cfg#L717

• 訓練數據需要滿足以下條件：

  • train_network_width * train_obj_width / train_image_width ~= detection_network_width * detection_obj_width / detection_image_width
  • train_network_height * train_obj_height / train_image_height ~= detection_network_height * detection_obj_height / detection_image_height

• 為了加速訓練，可以做fine-tuning而不是從頭開始訓練，設置stopbackward=1在網絡的結束部分（以####作為分割）

• 在訓練完以后，進行目標檢測的時候，可以提高網絡的分辨率，以便剛好檢測小目標。

  • 不需要重新訓練，需要使用原先低分辨率的權重，測用更高分辨率。
  • 為了得到更高的檢測效果，可以提升分辨率至608*608甚至832*832

5. 總結

為了小目標：

• 提升分辨率
• 在測試時候提升分辨率
• 數據集添加跟正樣本數量一樣多的負樣本
• 數據集每個類至少2000張，訓練迭代次數2000*classes個數
• 設置自己數據集的anchor

6. AlexeyAB大神改進

• web-cam版本：

./darknet detector demo ... -json_port 8070 -mjpeg_port 8090

• 計算mAP, F1, IoU, Precision-Recall

./darknet detector map ...

• 展示map-loss曲線(需要opencv)

./darknet detector train cfg/voc.data cfg/yolo.cfg -dont_show -mjpeg_port 8090 -map

• 計算聚類產生的anchor

./darknet detector calc_anchors data/voc.data -num_of_clusters 12 -width 608 -height 608

• 分離前部基礎網絡

./darknet partial cfg/darknet19_448.cfg darknet19_448.weights darknet19_448.conv.23 23

• 測試opencv

./darknet imtest data/eagle.jpg

• 閾值設置

-thresh 0