YOLO(Darknet官方)訓練分類器

目錄

• 1. 分類數據准備
• 2. Darknet配置
• 3. Darknet命令使用
• 4. cifar-10 使用示例

1. 分類數據准備

需要的文件列表：

1. train.list : 訓練的圖片的絕對路徑
2. test.list : 用於測試的圖片的絕對路徑
3. labels.txt : 所有的類別，一行一個類
4. voc.data : darknet配置文件，記錄相關位置信息
5. cifar.cfg : 網絡配置文件

按照以下目錄結構進行構造：

VOCdevkit
	VOC2017
		JPEGImages
			train
			test

其中訓練和測試的比例設置：

1. 如果數據集比較小（10,000左右），那么設置的比例為：訓練:測試 = 80% : 20%
2. 如果數據集比較大（100,000左右），那么設置的比例為：訓練:測試 = 99% :1%

然后轉到JPEGImages目錄下進行以下操作：

find `pwd`/train -name \*.jpg > train.list
find `pwd`/test -name \*.jpg > test.list

構造labels.txt文件內容

airplane
automobile
bird
cat
deer
dog
frog
horse
ship
truck

構造voc.data文件中內容：

classes=10 #設置的類別個數
train  = data/cifar/train.list #上邊構造的訓練列表
valid  = data/cifar/test.list # 上邊構造的測試列表
labels = data/cifar/labels.txt # 記錄類別
backup = backup/ #訓練的網絡文件的位置
top=2 # 計算top-n的准確率

網絡配置文件的選擇：

網絡配置文件以及預訓練模型

以AlexNet為例：

[net]
# Training
# batch=128
# subdivisions=1
# Testing
batch=1
subdivisions=1
height=227
width=227
channels=3
momentum=0.9
decay=0.0005
max_crop=256

learning_rate=0.01
policy=poly
power=4
max_batches=800000

angle=7
hue = .1
saturation=.75
exposure=.75
aspect=.75

[convolutional]
filters=96
size=11
stride=4
pad=0
activation=relu

[maxpool]
size=3
stride=2
padding=0

[convolutional]
filters=256
size=5
stride=1
pad=1
activation=relu

[maxpool]
size=3
stride=2
padding=0

[convolutional]
filters=384
size=3
stride=1
pad=1
activation=relu

[convolutional]
filters=384
size=3
stride=1
pad=1
activation=relu

[convolutional]
filters=256
size=3
stride=1
pad=1
activation=relu

[maxpool]
size=3
stride=2
padding=0

[connected]
output=4096
activation=relu

[dropout]
probability=.5

[connected]
output=4096
activation=relu

[dropout]
probability=.5

[connected]
output=1000
activation=linear

[softmax]
groups=1

2. Darknet配置

1. 下載darknet

git clone https://github.com/pjreddie/darknet.git
cd darknet
make -j4

如果有GPU並且安裝了cuda8.0和cudnn6.0，請在Makefile中進行修改，將對應的CUDA=0改為CUDA=1.

2. 將在第一步構造的文件放到對應位置

darknet
	cfg -- AlexNet.cfg
	data -- voc.data, labels.txt, train.list, test.list

其中voc.data中的內容直接指到對應的文件上。

3. Darknet命令使用

1. train命令

   ./darknet classifier train data/voc.data cfg/AlexNet.cfg

2. valid命令

   ./darknet classifier valid data/voc.data cfg/AlexNet.cfg backup AlexNet.backup

3. predict命令

   ./darknet classifier predict data/voc.data cfg/AlexNet.cfg backup AlexNet.backup ./cat.png

4. 終端訓練后重新訓練

   ./darknet classifier train data/voc.data cfg/AlexNet.cfg backup/AlexNet.backup

5. 設置訓練使用的GPU

   -gpus 0,1

4. cifar-10 使用示例

1. 數據獲取

   cd data
   wget https://pjreddie.com/media/files/cifar.tgz
   tar xzf cifar.tgz
   
   cd cifar
   find `pwd`/train -name \*.png > train.list
   find `pwd`/test -name \*.png > test.list
   cd ../..
   

2. 選擇config文件

   classes=10
   train  = data/cifar/train.list
   valid  = data/cifar/test.list
   labels = data/cifar/labels.txt
   backup = backup/
   top=2
   

3. 創建網絡配置文件

   cifar_small.cfg(官方提供)

   [net]
   batch=128
   subdivisions=1
   height=28
   width=28
   channels=3
   max_crop=32
   min_crop=32
   
   hue=.1
   saturation=.75
   exposure=.75
   
   learning_rate=0.1
   policy=poly
   power=4
   max_batches = 5000
   momentum=0.9
   decay=0.0005
   
   [convolutional]
   batch_normalize=1
   filters=32
   size=3
   stride=1
   pad=1
   activation=leaky
   
   [maxpool]
   size=2
   stride=2
   
   [convolutional]
   batch_normalize=1
   filters=16
   size=1
   stride=1
   pad=1
   activation=leaky
   
   [convolutional]
   batch_normalize=1
   filters=64
   size=3
   stride=1
   pad=1
   activation=leaky
   
   [maxpool]
   size=2
   stride=2
   
   [convolutional]
   batch_normalize=1
   filters=32
   size=1
   stride=1
   pad=1
   activation=leaky
   
   [convolutional]
   batch_normalize=1
   filters=128
   size=3
   stride=1
   pad=1
   activation=leaky
   
   [convolutional]
   batch_normalize=1
   filters=64
   size=1
   stride=1
   pad=1
   activation=leaky
   
   [convolutional]
   filters=10
   size=1
   stride=1
   pad=1
   activation=leaky
   
   [avgpool]
   
   [softmax]
   

4. 訓練

   訓練：./darknet classifier train cfg/cifar.data cfg/cifar_small.cfg

   valid: ./darknet classifier valid cfg/cifar.data cfg/cifar_small.cfg backup/cifar_small.backup