博客主要結構
1. 如何在ubuntu18.04上安裝yolo
2 .如何配置yolov3
3 .如何制作自己的訓練集測試集
4 .如何在自己的數據集上運行yolov3
1. 在ubuntu18.04下安裝yolov3
安裝darknet
按ctrl+atl+t 打開終端， 並在終端下依次輸入以下命令
git clone https://github.com/pjreddie/darknet.git cd darknet make
如果成功的話你會看到以下信息
mkdir -p obj gcc -I/usr/local/cuda/include/ -Wall -Wfatal-errors -Ofast.... gcc -I/usr/local/cuda/include/ -Wall -Wfatal-errors -Ofast.... gcc -I/usr/local/cuda/include/ -Wall -Wfatal-errors -Ofast.... ..... gcc -I/usr/local/cuda/include/ -Wall -Wfatal-errors -Ofast -lm....
編譯完成后鍵入以下命令運行darknet
./darknet
你將會看到以下輸出結果
usage: ./darknet <function>
使用GPU編譯（可選）
如果想讓yolo運行的更快的話， 可以使用GPU 加速。你的電腦中應該有Nvidia GPU 並安裝cuda。 在安裝完cuda后，在本目錄下修改 Makefile第一行
GPU=1
然后在終端鍵入
make
這樣就可以使用cuda啦， darknet在默認情況下會使用你系統里第零個塊顯卡 （如果你成功安裝了cuda， 在終端輸入nvidia-smi可以看到自己的顯卡情況）。 如果你想修改darknet可以使用的顯卡，你可以給他一個可選的命令 -i <index>, 例如
./darknet -i 1 imagenet test cfg/alexnet.cfg alexnet.weights
這樣darknet就會使用你的第一塊顯卡。
下載pre-trained model
可以在這里下載預訓練模型， 或者在終端輸入以下命令
wget https://pjreddie.com/media/files/yolov3.weights
然后訓練你的detector
./darknet detect cfg/yolov3.cfg yolov3.weights data/eagle.jpg
正常情況下你會看到如下輸出
darknet會把他的檢測的結果， 以及confidence輸出出來，因為我沒有在darknet下編譯opencv所以檢測結果不會直接顯示出來， 他會把這個結果保存在你的darknet目錄下。
2 .配置yolov3
在darknet目錄下創建一個dataset子目錄， 並在dataset中創建yolo-tiny-obj.cfg 文件， 文件內容與yolov3_tiny.cfg（在darknet/cfg文件夾下）相同（可以直接把yolov3_tiny.cfg的文件內容復制過去）， 然后
- 把batch所在行修改為batch=64
- 把subdivision設置為8
- 在每個[yolo]-層， 把classes=80修改成你要檢測的類的數量
https://github.com/pjreddie/darknet/blob/master/cfg/yolov3-tiny.cfg#L135
https://github.com/pjreddie/darknet/blob/master/cfg/yolov3-tiny.cfg#L176
- 在每個[yolo]-層前的[convolution]-層中，修改filters=255， 改成filters=（classes+5)*3（只適用於yolov3， 對於yolov2如何計算filters，google/百度一下）
https://github.com/pjreddie/darknet/blob/master/cfg/yolov3-tiny.cfg#L127
https://github.com/pjreddie/darknet/blob/master/cfg/yolov3-tiny.cfg#L171
因此如果classes=1， 那么filters=18， 如果classes=2， 那么filters=21
（不要在cfg文件里這樣寫：filters=（classes+5）*3）
（一般情況下， filters取決於classes， coords， 以及mask的數量， 例如filters = （classes+coords+1）*<numbers of mask>, 這里的mask就是anchors的索引， 如果沒有mask， 那么filters=（classes+coords+1）*num）
比如， 只有兩個類， 那么你的yolo-tiny-obj.cfg 在每個yolo層中應該是如下設置
[convolutional] filters=21 [region] classes=2
在/darknet/dataset創建obj.names文件， 每行是你的類的名字， 如果你要檢測的是貓和狗， 那么你的obj.names文件內容如下
cat dog
在/darknet/dataset創建obj.data文件， 包含如下內容， （classes=你要檢測的類的數量）
classes= 2 train = dataset/train.txt valid = dataset/test.txt names = dataset/obj.names backup = backup/
3. 制作自己的訓練集測試集
首先把你的訓練集（測試集）圖片放到/darknet/dataset/Train （/darknet/dataset/Test ） ， 圖片擴展名為.jpg
然后對你數據集圖片上的每個物體作標記，你可以用這個工具在圖片上畫邊框， 並生成標記文件。他會在同一個目錄下，給每個.jpg文件生成一個名字相同的.txt文件,文件里應該包含物體的類的編號， 以及物體在圖片中的坐標，每一行都表示一個物體 <物體類的編號><x_center> <y_center> <width> <height>
- <類的編號> ：是正整數， 從0-<類的數目-1>
<x_center> <y_center> <width> <height>：都是浮點數范圍從0到1，通過圖片的長寬計算得出，例如<y_center>=<邊框中心的縱坐標>/圖片的高，<height> = <邊框的高>/圖片的高- 注意<x_center> <y_center>：是你畫得邊框的中心
比如對於img1.jpg你會創建一個img1.txt文件，包含以下內容
1 0.716797 0.395833 0.216406 0.147222 0 0.687109 0.379167 0.255469 0.158333 1 0.420312 0.395833 0.140625 0.166667
在/darknet/dataset目錄下創建train.txt文件，文件中每一行都是到你訓練集的地址， 可以使絕對路徑， 也可以是相對路徑， （相對darknet這個文件夾的路徑）， 例如文件內容如下
dataset/Train/img1.jpg dataset/Train/img2.jpg dataset/Train/img3.jpg
這里你需要重新根據你自己的數據集計算anchors值， 可以參開這個python script 來計算， 然后把yolo-tiny-obj.cfg文件中的anchors值替換成你計算的結果
4 .在自己的數據集上運行yolov3
下載yolov3-tiny的權重文件：https://pjreddie.com/media/files/yolov3-tiny.weights 到darknet目錄下
在終端輸入以下命令得到預訓練模型yolov3-tiny.conv.15
./darknet partial dataset/yolo-tiny-obj.cfg yolov3-tiny.weights yolov3-tiny.conv.15 15
輸入以下命令開始訓練
./darknet detector train dataset/obj.data dataset/yolo-tiny-obj.cfg yolov3-tiny.conv.15
如果一切正常應該是這樣的結果
如果你運行中出現了nan， 這是正常現象，但如果全部都是nan的話，這就是訓練過程出了問題，請仔細檢查每一步是否按照操作進行