darknet YOLOv2安装及数据集训练
来源:互联网 发布:数据恢复公司 编辑:程序博客网 时间:2024/06/06 19:45
一、 YOLOv2安装使用
1. darknet YOLOv2安装
git clone https://github.com/pjreddie/darknet
cd darknet
make
或到网址上下载darknet文件夹,解压后在darknet文件夹下执行make编译。
2. 预测模型权重下载
wget https://pjreddie.com/media/files/yolo.weights
或到网址上下载yolo.weights,放到darknet目录下。
3. 目标检测
./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg
预测过程大约需要15S,结果保存在darknet目录下predictions.jpg
二、 YOLOv2重新训练
1. 准备数据&&打标
数据包括训练数据和验证数据,所有数据需要把要识别的物体事先标注出来,标注工具推荐使用labelImg
labelImg下载地址:http://download.csdn.net/download/dcrmg/9974195
打标的结果保存在xml文件中。
2. 建立训练和验证数据文件夹/提取图片名称
在darknet文件夹下建立4个文件夹----trainImage、validateImage、trainImageXML、validateImageXML,分别用来存放训练图片、验证图片、训练图片的xml标签、验证图片的xml标签。
在darknet文件夹下建立2个txt文件————trainImageId.txt和validateImageId.txt,分别用来存放训练图片和测试图片的名称(含后缀不包含目录)。 这一步可以在上边4个文件夹手动建立完成的基础上调用python脚本自动完成,createID.py下载地址:https://code.csdn.net/snippets/2601808
把createdID.py文件放在darkent目录下直接运行就可以分别生成trainImageId.txt和validateImageId.txt
3. xml标签转换成txt/图片路径提取
训练需要把图片的xml格式标签转换成txt文件格式,并且需要把所有的训练和验证数据图片的路径提取到一个单独的txt文件里,供训练的时候读取,本步骤可以使用python脚本自动完成,trans.py下载地址:https://code.csdn.net/snippets/2601809
下载完成之后把 trans.py 放到darknet目录下,需要把 trans.py 中classes分类的内容改成自己的分类之后再运行即可。
运行之后生成一系列文件,分别是:
XXX.txt——存放训练/验证图片的xml标签转换成的txt文件,自动生成的所有训练和验证的txt文件保存在对应的trainImage和validateImage文件夹下;
trainImagePath.txt/validateImagePath.txt——存放训练/验证图片的名称(包含后缀)和完整路径;
4. 修改配置文件
4.1 修改cfg/voc.data文件
voc.data是整个训练流程的引入文件,记录了训练的 classes(分类)、train(训练数据)、valid(验证数据)、names(训练模型)、backup(训练结果保存路径)。根据自己的情况分别做以下更改:
- classes = N (N为自己的分类数量,有10类不同的对象,N = 10)
- train = /home/XXX/darknet/trainImagePath.txt
- valid = /home/XXX/darknet/validateImagePath.txt
- names = data/voc.names (需要修改原voc.names文件中参数)
- backup = backup (训练结果保存在darknet/backup/目录下)
4.2 修改data/voc.names文件
voc.names文件存放的是所有的分类,原始文件一共有20类,每类单独占一行,一共20行,根据自己的分类情况做更改,例如有3种分类,分别是class1、class2、class3,则更改voc.names文件为:
class1
class2
class3
4.3 修改cfg/yolo-voc.2.0.cfg文件
yolo-voc.2.0.cfg文件定义yolo训练使用的网络,有两处需要更改:
- classes = N (N为自己的分类数)
- 最后一个convolutional层中 filters = (classes+ coords+ 1)* (NUM),classes是分类数,coords和NUM在 voc.2.0.cfg中分别设定为4和5,所以如果有3个分类,则修改filters的值为40((3+4+1)×5 =40 )
4.4 下载预训练卷积权重文件darknet19_448.conv.23
在该卷积权重文件的基础上做进一步的参数调整,下载地址: http://pjreddie.com/media/files/darknet19_448.conv.23
下载完成之后放在cfg文件夹目录下。
5. yolo训练
yolo默认训练会迭代45000次,训练之前可以根据自己的情况修改迭代次数,进入cfg/yolo_voc.2.0.cfg修改max_batches的值。
在darknet目录下执行训练命令:
./darknet detector train cfg/voc.data cfg/yolo-voc.2.0.cfg cfg/darknet19_448.conv.23
训练完成之后的权重文件保存在darknet/backup文件夹下。
6. 训练结果测试
运行以下命令执行测试:
./darknet detector test cfg/voc.data cfg/yolo-voc.2.0.cfg backup/yolo-voc_final.weights 01.jpg
7. 附
附 CreateID.py 和 trans.py 代码
CreateID.py:
# -*- coding: utf-8 -*-import os;import shutil;def listname(path,idtxtpath): filelist = os.listdir(path); # 该文件夹下所有的文件(包括文件夹) filelist.sort() f = open(idtxtpath, 'w'); for files in filelist: # 遍历所有文件 Olddir = os.path.join(path, files); # 原来的文件路径 if os.path.isdir(Olddir): # 如果是文件夹则跳过 continue; f.write(files); f.write('\n'); f.close();savepath = os.getcwd()imgidtxttrainpath = savepath+"/trainImageId.txt"imgidtxtvalpath = savepath + "/validateImageId.txt"listname(savepath + "/trainImage",imgidtxttrainpath)listname(savepath + "/validateImage",imgidtxtvalpath)print "trainImageId.txt && validateImageId.txt have been created!"
trans.py:
import xml.etree.ElementTree as ETimport pickleimport stringimport osimport shutilfrom os import listdir, getcwdfrom os.path import joinimport cv2sets=[('2012', 'train')]classes = ["class1","class2","class3","class4"]def convert(size, box): dw = 1./size[0] dh = 1./size[1] x = (box[0] + box[1])/2.0 y = (box[2] + box[3])/2.0 w = box[1] - box[0] h = box[3] - box[2] x = x*dw w = w*dw y = y*dh h = h*dh return (x,y,w,h)def convert_annotation(image_id,flag,savepath): if flag == 0: in_file = open(savepath+'/trainImageXML/%s.xml' % (os.path.splitext(image_id)[0])) out_file = open(savepath+'/trainImage/%s.txt' % (os.path.splitext(image_id)[0]), 'w') tree = ET.parse(in_file) root = tree.getroot() size = root.find('size') img = cv2.imread('./trainImage/'+str(image_id)) h = img.shape[0] w = img.shape[1] elif flag == 1: in_file = open(savepath+'/validateImageXML/%s.xml' % (os.path.splitext(image_id)[0])) out_file = open(savepath+'/validateImage/%s.txt' % (os.path.splitext(image_id)[0]), 'w') tree = ET.parse(in_file) root = tree.getroot() size = root.find('size') img = cv2.imread('./validateImage/' + str(image_id)) h = img.shape[0] w = img.shape[1] for obj in root.iter('object'): difficult = obj.find('difficult').text cls = obj.find('name').text if cls not in classes or int(difficult) == 1: continue cls_id = classes.index(cls) xmlbox = obj.find('bndbox') b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text)) bb = convert((w,h), b) out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')wd = getcwd()for year, image_set in sets: savepath = os.getcwd(); idtxt = savepath + "/validateImageId.txt"; pathtxt = savepath + "/validateImagePath.txt"; image_ids = open(idtxt).read().strip().split() list_file = open(pathtxt, 'w') s = '\xef\xbb\xbf' for image_id in image_ids: nPos = image_id.find(s) if nPos >= 0: image_id = image_id[3:] list_file.write('%s/validateImage/%s\n' % (wd, image_id)) print(image_id) convert_annotation(image_id, 1, savepath) list_file.close() idtxt = savepath + "/trainImageId.txt"; pathtxt = savepath + "/trainImagePath.txt" ; image_ids = open(idtxt).read().strip().split() list_file = open(pathtxt, 'w') s = '\xef\xbb\xbf' for image_id in image_ids: nPos = image_id.find(s) if nPos >= 0: image_id = image_id[3:] list_file.write('%s/trainImage/%s\n'%(wd,image_id)) print(image_id) convert_annotation(image_id,0,savepath) list_file.close()
- darknet YOLOv2安装及数据集训练
- darknet yolov2 训练自己的数据集
- Caffe的安装及MNIST数据集训练
- VOC数据集的架构来构建自己的数据集训练yolov2
- Compile YOLOv2 / darknet-master
- MNIST数据集训练
- cifar数据集训练
- Caffe mnist数据集训练
- tensorflow-mnist数据集训练
- 关于在windows上编译darknet,yolov2
- Ubuntu14.04配置caffe,及mnist数据集训练与测试(仅在CPU下)
- 计算机视觉caffe之路第三篇:CIFAR-10数据集训练及预测实例
- 计算机视觉caffe之路第四篇:VOC2007数据集训练及预测实例
- 计算机视觉caffe之路第五篇:ImageNet数据集训练及预测实例
- caffe学习(五):cifar-10数据集训练及测试(Ubuntu)
- 用图片数据集训练神经网络 tensorflow
- Darknet YOLO 安装配置
- darknet安装与使用
- Python模块和包的概念
- URI与URL区别
- 销售易史彦泽:SaaS会带来一场什么样的革命? | V访谈
- 20171109
- 使用 gulp 不刷新更新页面
- darknet YOLOv2安装及数据集训练
- spring 销毁与初始化操作
- 题目:有1、2、3、4个数字,能组成多少个互不相同且无重复数字的三位数?都是多少?
- Spring Cloud微服务分布式云架构源码结构
- mybatis绑定错误-- Invalid bound statement (not found)
- Java中Volatile关键字详解
- 4-1 复数类的运算符重载
- 运算符重载
- 连接虚拟机ftp 报错