1. 前言
项目需要用目标检测模型，由于yolov3精度和性能突出，成为最后选择的模型。但是因为在实际场景中会有误检测和漏检测的情况，还需要采集实际场景的数据进行微调。思路是直接调整由ImageNet+coco数据集训练出来的权重yolov3.weights，冻结前面的层数，只微调后面n层。
系统：Ubuntu 18.04
2. 过程
2.1. 数据准备
采集好图片，筛选，标注，转换。
其中标注工具我们使用的是labelImg，可以搜索安装。但是一般标注的时候选的是PascalVoc格式，最后保存的是xml文件，而yolov3的模型需要读取yolo格式的标签文件，因此需要手动转换，可参考voc_label.py。
然后是各种配置文件，参考：建立自己的YOLO辨識模型 – 以柑橘辨識為例
包括根据种类调整网络结构等，注意因为是fine tune，需要将LR调整低一点，我是直接调为原来的1/2，后面如果不太好再继续调整。
2.2. 提取冻结层
主要是为了冻结已经训练好的网络中的前n层的权重，命令：
# 冻结前81层 darknet partial cfg/yolov3.cfg yolov3.weights yolov3.conv.81 81
这个时候会在本路径提取出名为yolov3.conv.81的预训练模型。
2.3. 训练
命令：
# 使用多gpu进行训练 darknet detector train cfg/coco.data cfg/yolov3.cfg yolov3.conv.81 -gpus 0,1
3. 参考
（完）