环境：Ubuntu18.04 GTX1080

0 准备

0.1 配置OpenCV环境

sudo apt update
sudo apt install libopencv-dev
whereis opencv  # 查看是否安装成功

在这里插入图片描述

0.2 配置CUDA环境

参考 cuda环境配置详细笔记

0.3 安装git

sudo apt update
sudo apt install git

1 示例Demo测试

1.1 下载Darknet

git clone https://github.com/pjreddie/darknet.git

1.2 修改Makfile

cd darknet
vim Makefile

贴出本文修改后的Makefile前面部分（其余部分不需要修改）。GPU=1，CUDNN=1，OPENCV=1表示使用GPU，使用CUDNN，使用OPENCV，下面的ARCH需要根据自己的GPU版本来做权衡，GTX1060和GTX1080按照本文的配置即可。
在这里插入图片描述

1.3 编译

make -j32

1.4 下载pre-trained model

cd darknet
wget https://pjreddie.com/media/files/yolov3.weights

1.5 修改网络配置文件

修改darknet/cfg/yolov3.cfg，注释掉Training参数，取消注释Testing参数。
Alt

1.6 图像检测

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

如果出现这个问题，查看段错误，核心已存储两种解决办法。
在这里插入图片描述

1.7 Webcam检测

实时摄像头检测。

./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights

1.8 Video检测

./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights <video file>

2 制作YOLO数据集

现在可以从两种数据集格式快速生成YOLO数据集进行训练，分别是VOC数据集格式和MSCOCO数据集格式。

2.1 从VOC制作YOLO数据集

voc数据集可以从voc官网上直接下载得到，但这里是为了训练自己的数据集检测自己的类别，所以还是DIY VOC数据集先。

2.1.1 制作VOC数据集

参考从零开始制作自己的Pascal VOC数据集

2.1.2 VOC数据格式转YOLO数据格式

假定已经按照2.1.1中的步骤做好了VOC2007格式的数据集，那么可以复制下面的脚本到voc2yolo.py中，并把它同VOCdevkit放在同一目录下，运行脚本python voc2yolo.py，YOLO数据集便生成好了。

import xml.etree.ElementTree as ET
import os
from os import listdir, getcwd

# ==================可能需要修改的地方=====================================#
g_root_path = "D:/deep_learning/new_datas"  # VOCdevkit目录
classes = ["gun"]  # 类别
# ==========================================================================#
os.chdir(g_root_path)

sets = [('2007', 'train'), ('2007', 'val'), ('2007', 'test')]


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(year, image_id):
    in_file = open('VOCdevkit/VOC%s/Annotations/%s.xml' % (year, image_id))
    out_file = open('VOCdevkit/VOC%s/labels/%s.txt' % (year, image_id), 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)

    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:
    if not os.path.exists('VOCdevkit/VOC%s/labels/' % (year)):
        os.makedirs('VOCdevkit/VOC%s/labels/' % (year))
    image_ids = open('VOCdevkit/VOC%s/ImageSets/Main/%s.txt' % (year, image_set)).read().strip().split()
    list_file = open('%s_%s.txt' % (year, image_set), 'w')
    for image_id in image_ids:
        list_file.write('%s/VOCdevkit/VOC%s/JPEGImages/%s.jpg\n' % (wd, year, image_id))
        convert_annotation(year, image_id)
    list_file.close()

在这里插入图片描述

2.2 从MSCOCO制作YOLO数据集

【待完善】

现在环境和数据集都已经准备好了，万事俱备只欠东风，可以进行简单的配置，然后训练了。

【未完待续…】

下一篇【笔记】YOLOv3训练自己的数据集(2)——训练和测试训练效果

参考

YOLO官网

【笔记】YOLOv3训练自己的数据集(1)——环境配置,官方示例Demo测试,YOLO数据集制作

文章目录