1、安装
https://pjreddie.com/darknet/install/
2、调用gpu
3、整理数据集
图片：
坐标：
train.txt 和 test.txt
分类，voc.mane
可以自己新建一个*.data文件，在里面按行输入分类名称
4、修改cfg文件
data文件，其中路径斗勇绝对路径，生成的数据模型保存在backup中
net文件：我使用的是下图的网络配置文件
参数修改以及意义：
参考：https://blog.csdn.net/lzglzj20100700/article/details/81096986
https://blog.csdn.net/hrsstudy/article/details/65447947
https://blog.csdn.net/yangdashi888/article/details/78032545
https://blog.csdn.net/qq_33485434/article/details/80907040
[net]
# Testing
# batch=1
# subdivisions=1
# Training
# batch=64 每batch个样本更新一次参数。
batch=1024
subdivisions=16 会将batch/subdivisions命名为batch
width=416 输入图片的宽高
height=416
channels=3 图片输入的通道数量
momentum=0.9
decay=0.0005 权重衰减正则项，防止过拟合
angle=0 通过旋转角度来生成更多训练样本
# saturation = 1.5 通过调整饱和度来生成更多训练样本
saturation = 0
# exposure = 1.5 通过调整曝光量来生成更多训练样本
exposure = 0
# hue=.1 通过调整色调来生成更多训练样本
hue=0
learning_rate=0.001 初始学习率
burn_in=1000
max_batches = 50000 训练达到max_batches后停止学习
policy=steps 调整学习率的策略，有：CONSTANT, STEP, EXP, POLY, STEPS, SIG, RANDOM
# steps=40000,45000 根据batch_num调整学习率
# scales=.1,.1 学习率变化的比例，累计相乘
steps=30000,45000
scales=.1,.1
'''
step，scales：这两个是组合一起的，举个例子：learn_rate: 0.001, step:100,25000,35000 scales: 10, .1, .1 这组数据的意思就是在0-100次iteration期间learning rate为原始0.001，在100-25000次iteration期间learning rate为原始的10倍0.01，在25000-35000次iteration期间learning rate为当前值的0.1倍，就是0.001， 在35000到最大iteration期间使用learning rate为当前值的0.1倍，就是0.0001。随着iteration增加，降低学习率可以是模型更有效的学习，也就是更好的降低train loss。
'''
[convolutional]
batch_normalize=1 是否做BN
filters=32 输出多少个特征图
size=3 卷积核的尺寸
stride=1 做卷积运算的步长
pad=1
activation=leaky 激活函数
***************************
[shortcut] ？
from=-3
activation=linear
**************************
[convolutional]
size=1
stride=1
pad=1
filters=18 将最后一个[convolutional]中的filte通过计算得到，与anchor个数有关
filters=(classes + 5)* (NUM)，5的意义是5个坐标，论文中的tx,ty,tw,th,to
activation=linear
[yolo]
mask = 6,7,8
anchors = 10,13, 16,30 …… 预选框，可以手工挑选，也可以通过k means 从训练样本中学出
classes=1 网络需要识别的物体种类数
num=3 每个grid cell预测几个box,和anchors的数量一致
jitter=.3 通过抖动增加噪声来抑制过拟合
softmax=1 使用softmax做激活函数
ignore_thresh = .5 决定是否需要计算IOU误差的参数，大于thresh，IOU误差不会夹在cost function中
truth_thresh = 1
random=1 如果设置为1的话，就是在训练的时候每一batch图片会随便改成320-640
[route]
layers = -4 这是指用当前层减去9得到的那一层来进行特征组合
[upsample]
stride=2 把上面得到大分辨率的特征图以什么方式组合到当前层，成为当前层的特征5、进行训练
首先根据推荐下载了预训练权重
然后根据命令运行训练
./darknet detector train cfg/<data>.data cfg/<yolo>.cfg <darknet53.conv.74> -gpus 0,1,2,3其中<data>.data为我们修改的cfg中的data文件，4中第一个
其中<yolo>.cfg为我们修改的net配置文件，4中第二个
如果不用gpu就不用写最后-gpus 0,1,2,3
如果gpu不是4个，就按实际个数调用
如果预设权重的名字不叫darknet53.conv.74，就按实际换上
其中<>表示内容根据实际修改，使用的代码中不用加上
5、训练
训练过程中的log参数详解：
https://blog.csdn.net/dcrmg/article/details/78565440
Region 82 Avg IOU:
Region 94 Avg IOU:
Region 106 Avg IOU:
的详解：https://blog.csdn.net/qq_33444963/article/details/80842179
6、可视化：
https://blog.csdn.net/yudiemiaomiao/article/details/72469135
记录终端打印内容到log
之后的代码我没有运行成功，所以自己写了一个log文件读取：
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @File : log_tidy.py
# @Author: DianaZhang
# @Date : 18-10-11
import re
fs=open('../log/person_train_log.txt','r')
log_txt=fs.readlines()
fs.close()
count_epoch=0
count_step=1
name_list=['Avg IOU:','Class:','Obj:','No Obj:','.5R:','.75R:','count:']
key_list=[':','avg','rate','seconds','images']
for log_line in log_txt:
if ':' in log_line:
word_list = log_line.split(' ')
if word_list[0]=='Region':
dig=int(word_list[1])
comma_list=log_line.split(',')
data_list=[]
for i in range(7):
if name_list[i] in comma_list[i]:
data_list.append(comma_list[i].split(name_list[i])[1])
else:
print('err:{}\n'.format(log_line))
with open('../log/Region_{}.txt'.format(dig), 'a') as fs:
fs.write('{} {} {}'.format(count_epoch,count_step,' '.join([x for x in data_list])))
count_step=count_step+1
fs.close()
elif len(re.sub('\D','',word_list[0]))>0:
count_epoch = re.sub('\D', '', word_list[0])
count_step = 1
comma_list = log_line.split(',')
data_list = []
data_list.append(comma_list[0].split(':')[1])
for i in range(1,5):
if key_list[i] in comma_list[i]:
data_list.append(comma_list[i].split(key_list[i])[0])
else:
print('err:{}\n'.format(log_line))
with open('../log/epoch.txt'.format(dig), 'a') as fs:
fs.write('{} {}\n'.format(count_epoch,' '.join([x for x in data_list])))
fs.close()
print(1)完了之后会得到epoch.txt和Region_XX.txt两种txt，Region后面的数字可能会不同。
epoch.txt
Region.txt
7、nan问题