一、配置yolo v3
參考yolo v3官網https://pjreddie.com/darknet/yolo/
下載darknet后進行編譯：
git clone https://github.com/pjreddie/darknet cd darknet make
下載預訓練權重文件：
wget https://pjreddie.com/media/files/yolov3.weights
接下來測試一下：測試data/dog.jpg圖片的結果，如果能夠正確識別，則說明配置成功。
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
官網給出的是CPU版本的編譯，如果需要使用GPU，則需要修改makefile的前幾行：
GPU=1 CUDNN=1 OPENCV=0 OPENMP=0 DEBUG=0
二、准備及標注自己的數據集
用LabelImg工具標注自己的數據集，github：
git clone https://github.com/tzutalin/labelImg
接着安裝依賴的工具：
sudo apt-get install pyqt4-dev-tools # 安裝PyQt4 sudo pip install lxml # 安裝lxml，如果報錯，可以試試下面語句 sudo apt-get install python-lxml
打開終端，進入LabelImg目錄后使用make編譯
cd LabelImg make all
編譯成功后，即可在LabelImg文件夾中運行
python labelImg.py
注意：保存的標注文件有兩種：.txt和.xml。我用的是.txt。voc_label.py腳本可以將.xml文件轉化成.txt文件。位置：.\darknet\scripts\voc_label.py
三、搭建yolo框架
在darknet文件夾下新建project_yolov3文件夾，作為自己的訓練數據集及配置文件的存放地，避免與已有的一些東西混在一起。
在project_yolov3文件夾下新建如下文件夾，結構如下：
backup
cfg yolov3-tiny.cfg
.data
data .names
images
label
backup用於存放訓練時返回的模型及權重文件；
cfg中從.\darknet\cfg中根據需要復制配置文件（我用的是yolov3-tiny.cfg），從.\darknet\cfg中復制voc.data文件修改名稱為.data，根據自己的目錄以及類別等修改里面相關內容。.cfg修改：首先是訓練，所以訓練的batch和subdivisions不要注釋掉（可以根據電腦配置啥的修改這兩個參數），而測試的要注釋掉。修改filters（每一個yolo層的上一層的filters參數要改，其他的filters不需要改），修改后等於（類別數目+5）×3，修改每一個yolo層的classes類別數。另外還有一些參數可以修改，參考官網即可。
data中首先從.\darknet\data中復制voc.names並修改名稱為.names，然后按照自己的類別將類別名一行一行寫入；
data\images下存放所有圖片；
data\label文件夾存放所有標注文件（.txt）；
在data文件夾下新建一個my.sh文件，用於生成train.txt和test.txt，這兩個txt文件記錄訓練和測試圖片的路徑。
將my.sh放到對應的圖片集所在的文件夾中。
執行
sh my.sh
在生成的txt文件中，刪除my.sh那一條記錄就行。（因為這里用的是取這個腳本所在的路徑，再加上文件名輸出的，這樣就是絕對路徑了，所以要將.sh文件放到相應的文件夾中去。）
my.sh：
#!/bin/sh #============ get the file name =========== echo -e "請輸入你要讀取的文件夾路徑\n當前路徑為${PWD}" read InputDir echo "你輸入的文件夾路徑為${InputDir}" echo -e "請輸入你要將數據輸出保存的文件路徑\n當前路徑為${PWD}" read OutputFile echo "輸出保存的文件路徑為${OutputFile}" : > $OutputFile #清空OutputFile #循環讀取文件夾名 for file_a in ${InputDir}/*; do temp_file=`basename $file_a` #echo $temp_file >> $OutputFile echo `pwd`/$temp_file >> $OutputFile done
train.txt和test.txt的每一行是一張圖片的絕對路徑，內容示例：
四、訓練
下載預訓練模型：
wget https://pjreddie.com/media/files/darknet53.conv.74
最后開始訓練：
./darknet detector train /media/taoting/4014F4A914F4A358/darknet/project_yolov3/cfg/.data /media/taoting/4014F4A914F4A358/darknet/project_yolov3/cfg/yolov3-tiny.cfg darknet53.conv.74 2>&1 | tee /media/taoting/4014F4A914F4A358/darknet/project_yolov3/visualization/train_yolov3.log
命令中路徑自行修改，其中2>&1 | tee /media/taoting/4014F4A914F4A358/darknet/project_yolov3/visualization/train_yolov3.log是保存訓練的日志到文件。
注意：
1. 訓練時默認是前1000次時，每100次保存一次模型，大於1000次時每10000次才保存一次模型。修改方式：找到./darknet/examples里面的detector.c，第149行修改就行。2. 訓練可以中斷，中斷后只要從最后一次保存的模型那里繼續開始訓練就好。在darknet文件夾下打開終端，重新編譯：make clean
make
如：
./darknet detector train /media/taoting/4014F4A914F4A358/darknet/project_yolov3/cfg/.data /media/taoting/4014F4A914F4A358/darknet/project_yolov3/cfg/yolov3-tiny.cfg /media/taoting/4014F4A914F4A358/darknet/project_yolov3/backup/yolov3-tiny_5900.weights
3. 所有路徑（特別是圖片的路徑和圖片名最好是英文的，不然很容易訓練自動終止）訓練參數滿意了之后就可以停止訓練，進行測試了。
五、測試
先將cfg文件里修改到測試模式，保存后，重新編譯，再測試圖片。
修改要輸出的參數的方法：./src/image.c里的第287~300行；
將置信度在類別標簽后顯示的方法：./src/image.c里的第246~257行加上有注釋的那4行
char possible[10];//存放檢測的置信度 for(j = 0; j < classes; ++j){ sprintf(possible,"%.2f",dets[i].prob[j]);//置信度截取小數點后兩位 if (dets[i].prob[j] > thresh){ if (class < 0) { strcat(labelstr, names[j]); strcat(labelstr, possible);//標簽中加入置信度 class = j; } else { strcat(labelstr, ", "); strcat(labelstr, names[j]); strcat(labelstr, possible);//標簽中加入置信度 } printf("%s: %.0f%%\n", names[j], dets[i].prob[j]*100); } }
測試命令示例：這些命令也可以寫相對路徑
./darknet detector test /media/taoting/4014F4A914F4A358/darknet/project_yolov3/cfg/.data /media/taoting/4014F4A914F4A358/darknet/project_yolov3/cfg/yolov3-tiny.cfg /media/taoting/4014F4A914F4A358/darknet/project_yolov3/backup/yolov3-tiny_6000.weights 20181007_234258.jpg
(https://blog.csdn.net/gusui7202/article/details/83781719) 這篇博客中有批量測試圖片的方法