yolo算法框架使用二

6，voc数据集训练模型

1）下载数据集

官网提供一些voc数据，是基于2007年到2012年的，你可以通过以下地址下载到：

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

可以把数据存放到VOCdevkit/目录下

2）生成识别标签

识别标签必须是.txt文件的，具体格式如下：

<object-class> <x> <y> <width> <height>

Object-class 是分类的名称

其余元素是关联到图片的像素，宽和高的

通过下载官网提供的voc_label.py 我们可以快速的生成这一个文件，把他下载到scripts/目录下：

wget https://pjreddie.com/media/files/voc_label.py
python voc_label.py

几分钟后，就会生成相应的文件存放到：

VOCdevkit/VOC2007/labels/ 或者 VOCdevkit/VOC2012/labels/下面：

ls
2007_test.txt   VOCdevkit
2007_train.txt  voc_label.py
2007_val.txt    VOCtest_06-Nov-2007.tar
2012_train.txt  VOCtrainval_06-Nov-2007.tar
2012_val.txt    VOCtrainval_11-May-2012.tar

我们可以把自己真正要训练的文件合并成一个：

cat 2007_train.txt 2007_val.txt 2012_*.txt > train.txt

3）修改配置指向的数据（Pascal Data）

在cfg/voc.data里配置数据的指向：

1 classes= 20
  2 train  = <path-to-voc>/train.txt
  3 valid  = <path-to-voc>2007_test.txt
  4 names = data/voc.names
  5 backup = backup

<path-to-voc> 就是你数据集的指向

4）下载预训练的卷积的权重

这里用到卷积的权重是imageNet预训练提供：

wget https://pjreddie.com/media/files/darknet19_448.conv.23

你也可以通过下载预训练的Darknet19 448x448 model（https://pjreddie.com/darknet/imagenet/#darknet19_448）模型来产生你自己的权重，执行下面的命名：

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

5）训练模型

./darknet detector train cfg/voc.data cfg/yolo-voc.cfg darknet19_448.conv.23

7,用coco 训练yolo模型

Coco数据集，我没有用过，具体可以查看http://cocodataset.org/#overview 了解一下

1）获取coco数据集

下载coco的数据集和标签，可直接通过scripts/get_coco_dataset.sh脚本执行：

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

这样标签和数据集都有了。

2）配置数据集的指向

在cfg/coco.data配置文件里配置：

1 classes= 80
  2 train  = <path-to-coco>/trainvalno5k.txt
  3 valid  = <path-to-coco>/5k.txt
  4 names = data/coco.names
  5 backup = backup

<path-to-coco>是你的具体路径指向

另外还需要配置你数据集是用于训练不是测试的，默认是测试的配置，在cfg/yolo.cfg:

[net]
# Testing
# batch=1
# subdivisions=1
# Training
batch=64
subdivisions=8
....

3)训练模型

./darknet detector train cfg/coco.data cfg/yolo.cfg darknet19_448.conv.23

4）启用gpus执行训练，加速

./darknet detector train cfg/coco.data cfg/yolo.cfg darknet19_448.conv.23 -gpus 0,1,2,3

5）训练暂停或者从断点开始训练

./darknet detector train cfg/coco.data cfg/yolo.cfg backup/yolo.backup -gpus 0,1,2,3

8，官方特别声明的

如果你使用他们的框架，必须在注释里说明框架来源，可以直接在注释里粘入下面的注释：

@article{redmon2016yolo9000,
  title={YOLO9000: Better, Faster, Stronger},
  author={Redmon, Joseph and Farhadi, Ali},
  journal={arXiv preprint arXiv:1612.08242},
  year={2016}
}

参考地址：https://pjreddie.com/darknet/yolo/

论文地址：https://arxiv.org/abs/1612.08242

yolo算法框架使用二

推荐阅读