1.数据预处理
准备图片数据（JPEGImages），标注文件（Annotations），以及划分好测试集训练集的索引号（ImageSets）
修改代码中voc_label.py文件中的路径以及类别，生成test_sample_train.txt 和test_sample_test.txt文件（训练，测试读此文件来找到图片路径），以及labels文件夹为数据的voc标注文件转换为txt文件（内容为每个图片中物体类别，以及框的归一化位置）
2.训练
准备cfg（修改yolo层的类别classes（类别个数）和对应的filters（（classes+5）× 3）如下图，data（训练测试的路径改为数据预处理生成的文件路径），names（类别名称）三个文件
 |
|
 |
|
然后在train.py中修改
--epochs 所有数据共迭代多少次
--cfg 刚才的cfg文件路径
--data data文件路径
--weights 预训练模型（我会和数据一起打包发你）
命令行执行的话，也可以不修改代码中的这些位置直接输入下面命令效果一样
python train.py --epochs 100 --cfg cfg/yolov3_drink.cfg --data drink.data --weights weights/yolov3.weights
3.测试(test.py)
和训练差不多，修改 --cfg --data --weights(要测试的模型）然后run test.py
或命令行输入 python test.py --cfg cfg/yolov3_drink.data --data data/drink.data --weights weights/best.pt
运行结束会计算每个类别的map等，以及总体的精度结果
 |
|
4.批量推理图片（detect.py)
--source 被推理的图片路径， --output 推理过后图片存放路径
代码，预训练模型（darknet53，yolov3两个），数据（100张voc格式标好的数据）下载链接