1.数据集
首先对数据进行标注，标注的工具LabelImg，标记参考：win10下使用labelImg标注图像
2.训练代码
使用PyTorch框架： yolov3下载(github)
3.数据预处理
3.1 将Annotations和images放入data目录下，并新建文件夹ImageSets，labels
3.2 运行根目录下makeTxt.py
将数据分成训练集，测试集和验证集，比例可以在代码设置。在ImageSets得到四个文件，其中我们主要关注的是train.txt，test.txt，val.txt，主要存储图片名称。
3.3 运行根目录下voc_label.py
生成labels下的具体内容，和data下的train.txt，test.txt，val.txt，得到完整的图片具体路径
4.配置文件
4.1 在data目录下新建xxx.data，配置训练的数据:
classes=1
train=data/train.txt
valid=data/test.txt
names=data/xxx.names
backup=backup/
eval=coco
4.2 在data目录下新建xxx.names，配置预测的类别:
xxx
4.3 网络结构配置，在工程下cfg目录下有很多的yolov3网络结构，我们本次采用的是yolov3-tiny.cfg
5.训练
python train.py --device 0 --data data/xxx.data --cfg cfg/yolov3-tiny.cfg --epochs 10 --weights weights/yolov3-tiny.weights
训练结束得到最好的模型： best.pt
6.预测
python detect.py --device 0 --names data/xxx.names --source data/samples/ --cfg cfg/yolov3-tiny.cfg --weights weights/best.pt --conf-thres 0.056
7.注意：
运行：tensorboard --logdir=runs --> http://localhost:6006/
device 设置： 0 or 0,1 or cpu
CUDA_VISIBLE_DEVICES=1 # 只有编号为1的GPU对程序是可见的，在代码中gpu[0]指的就是这块GPU；
CUDA_VISIBLE_DEVICES=0,2,3 # 只有编号为0,2,3的GPU对程序是可见的，在代码中gpu[0]、gpu[1]和gpu[2]分别指的是第0、2和3块。
8.遇到的问题
8.1 cuda 内存溢出：
import os
os.environ["CUDA_VISIBLE_DEVICES"] = '1'
8.2 OSError: [WinError 1455] 页面文件太小，无法完成操作
1.修改Dataloader中的num_workers参数为0（似乎仅针对windows系统下）
2.缩小batch_size
3.把训练的代码块放入if __name__=='__main__':中
8.3 GPU利用率低：
1.把batch_size设置大些（如batch_size=512），尽可能利用GPU；
2.train_loader中pin_memory=True,num_workers=8或16，提高计算速度。
8.4 命令行如何debug:
import pdb; pdb.set_trace() （n代表下一步）
参考：红白细胞的数据识别
补充：
Yolov5源码：https://github.com/ultralytics/yolov5
Yolov4源码：https://github.com/AlexeyAB/darknet
Yolov3源码：https://github.com/ultralytics/yolov3
扫描二维码关注公众号，回复：
12567153 查看本文章
【Yolo5 train.py详讲】：
https://www.freesion.com/article/9638973025/#11_nvidiaapex_3
【Keras+TF+Yolo3】掌握图像标注、训练、识别（tf2填坑）:
https://cungudafa.blog.csdn.net/article/details/105074825
使用apex混合精度训练加速NN:
Apex源码：https://github.com/NVIDIA/apex