Ubuntu16.04下实现darknet-yolov3训练自己的数据（含loss图、mAP计算）

记录一下本地编译darknet并用自己的数据集来训练yolov3的过程，最后补充了mAP的计算方法。

1.环境配置

首先CUDA和Cudnn是必备的，安装有很多教程就不多写了，opencv安装比较麻烦可以不用装

2.本地编译darknet

从github获取darknet

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

修改Makefile文件

GPU=1 #如果使用GPU设置为1，CPU设置为0
CUDNN=1  #如果使用CUDNN设置为1，否则为0
OPENCV=0 #如果调用摄像头，还需要设置OPENCV为1，否则为0
OPENMP=0  #如果使用OPENMP设置为1，否则为0
DEBUG=0  #如果使用DEBUG设置为1，否则为0

在darknet文件夹下编译

make

下载yolov3的预训练模型

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

测试是否编译成功

./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg

3.准备数据集

一般是先准备VOC格式的数据集，然后通过一些脚本文件转化成可用于训练的版本

在darknet文件夹下创建dateset文件夹，内部结构为：

dataset---JPEGImages#存放原图像（名字只要和xml对应就行，不用规范化）---Annotations#存放图像对应的xml文件---ImageSets/Main # 存放训练/验证图像的txt文件（脚本生成）

将图像数据放入JPEGImages，xml的标注文件放入Annotations，然后新建一个py文件，随便命名（如：maketxt.py）

import os
import randomtrainval_percent = 0.1
train_percent = 0.9
xmlfilepath = 'Annotations'
txtsavepath = 'ImageSets\Main'
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)ftrainval = open('ImageSets/Main/trainval.txt', 'w')
ftest = open('ImageSets/Main/test.txt', 'w')
ftrain = open('ImageSets/Main/train.txt', 'w')
fval = open('ImageSets/Main/val.txt', 'w')for i in list:name = total_xml[i][:-4] + '\n'if i in trainval:ftrainval.write(name)if i in train:ftest.write(name)else:fval.write(name)else:ftrain.write(name)ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

运行后会在ImageSets/Main路径下生成train.txt,val.txt,test.txt和trainval.txt四个必备的txt文件

转换VOC格式的数据集为darknet的格式（点坐标进行归一化https://blog.csdn.net/hesongzefairy/article/details/104443573）

在darknet文件夹中创建一个py文件，随便命名，需要修改的地方看注释（修改自darknet/scripts/voc_label.py）

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join#源代码sets=[('2012', 'train'), ('2012', 'val'), ('2007', 'train'), ('2007', 'val'), ('2007', 'test')]
sets=[('dataset', 'train')]  # 改成自己建立的文件夹名字，若生成测试的train改成testclasses = ["person", "car"] # 改成自己的类别，和fastrcnn系不同，不用+1def convert(size, box):dw = 1./(size[0])dh = 1./(size[1])x = (box[0] + box[1])/2.0 - 1y = (box[2] + box[3])/2.0 - 1w = box[1] - box[0]h = box[3] - box[2]x = x*dww = w*dwy = y*dhh = h*dhreturn (x,y,w,h)def convert_annotation(year, image_id):in_file = open('myData/Annotations/%s.xml'%(image_id))  VOCdevkit/VOC%s/Annotations/%s.xmlout_file = open('myData/labels/%s.txt'%(image_id), 'w')  VOCdevkit/VOC%s/labels/%s.txttree=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').textcls = obj.find('name').textif cls not in classes or int(difficult)==1:continuecls_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('/labels/'):  # 改成自己建立的myData
#       os.makedirs('myData/labels/')
#    image_ids = open('myData/ImageSets/Main/%s.txt'%(image_set)).read().strip().split()
#    list_file = open('myData/%s_%s.txt'%(year, image_set), 'w')
#    for image_id in image_ids:
#        list_file.write('%s/myData/JPEGImages/%s.jpg\n'%(wd, image_id))
#        convert_annotation(year, image_id)
#    list_file.close()

运行之后，会在dataset文件夹中生成dataset_train.txt（记录了训练数据的绝对路径）

4.修改配置文件

修改cfg/voc.data

classes= 2 #改为自己的分类个数train  = /home/XXX/darknet/dataset/dataset_train.txt # 记录绝对路径的txt
names = /home/XXX/darknet/dataset/myData.names       # 自己创建，记录类别名称
backup = /home/XXX/darknet/dataset/weights           # 权重保存路径

修改cfg/yolov3-voc.cfg

通过vim打开，用/yolo搜索

对每个yolo搜索点上的conv层，修改filter为3*（5+len（classes）），yolo层修改classes即可

同时文件最上部分可修改一些训练参数

# Testing            ### 测试模式
# batch=1
# subdivisions=1
# Training           ### 训练模式，每次前向的图片数目 = batch/subdivisions
batch=64
subdivisions=16
width=416            ### 网络的输入宽、高、通道数
height=416
channels=3
momentum=0.9         ### 动量
decay=0.0005         ### 权重衰减
angle=0
saturation = 1.5     ### 饱和度
exposure = 1.5       ### 曝光度
hue=.1               ### 色调
learning_rate=0.001  ### 学习率
burn_in=1000         ### 学习率控制的参数
max_batches = 50200  ### 迭代次数
policy=steps         ### 学习率策略
steps=40000,45000    ### 学习率变动步长

5.开始训练

准备darknet权重

wget https://pjreddie.com/media/files/darknet53.conv.74

启动训练（指定gpu）

./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gpu 1

启动训练（保存训练log，用于后续画图）

./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gpu 1 2>&1 | tee logs/train_yolov3.log

从停止处重新训练

./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gups 0 myData/weights/my_yolov3.backup

6.训练完成后加载log文件画loss图和iou图

# coding=utf-8
import os
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import logginglogging.basicConfig(level=logging.DEBUG,format='%(asctime)s %(levelname)s: %(message)s',datefmt='%Y-%m-%d %H:%M:%S'
)
logger = logging.getLogger(__name__)class Yolov3LogVisualization:def __init__(self, log_path, result_dir):self.log_path = log_pathself.result_dir = result_dirdef extract_log(self, save_log_path, key_word):with open(self.log_path, 'r') as f:with open(save_log_path, 'w') as train_log:next_skip = Falsefor line in f:if next_skip:next_skip = Falsecontinue# 去除多gpu的同步logif 'Syncing' in line:continue# 去除除零错误的logif 'nan' in line:continueif 'Saving weights to' in line:next_skip = Truecontinueif key_word in line:train_log.write(line)f.close()train_log.close()def parse_loss_log(self, log_path, line_num=2000):# 用于设置忽略前多少步，上千几百的太大了，所以从几一下开始。 result = pd.read_csv(log_path,skiprows=[x for x in range(line_num) if (x<1500)],error_bad_lines=False, names=['loss', 'avg', 'rate', 'seconds', 'images'])result['loss'] = result['loss'].str.split(' ').str.get(1)result['avg'] = result['avg'].str.split(' ').str.get(1)result['rate'] = result['rate'].str.split(' ').str.get(1)result['seconds'] = result['seconds'].str.split(' ').str.get(1)result['images'] = result['images'].str.split(' ').str.get(1)result['loss'] = pd.to_numeric(result['loss'])result['avg'] = pd.to_numeric(result['avg'])result['rate'] = pd.to_numeric(result['rate'])result['seconds'] = pd.to_numeric(result['seconds'])result['images'] = pd.to_numeric(result['images'])return resultdef gene_loss_pic(self, pd_loss):fig = plt.figure()ax = fig.add_subplot(1, 1, 1)ax.plot(pd_loss['avg'].values, label='avg_loss')ax.legend(loc='best')ax.set_title('The loss curves')ax.set_xlabel('batches')fig.savefig(self.result_dir + '/avg_loss')logger.info('save iou loss done')def loss_pic(self):train_log_loss_path = os.path.join(self.result_dir, 'train_log_loss.txt')self.extract_log(train_log_loss_path, 'images')pd_loss = self.parse_loss_log(train_log_loss_path)self.gene_loss_pic(pd_loss)def parse_iou_log(self, log_path, line_num=2000):result = pd.read_csv(log_path, skiprows=[x for x in range(line_num) if (x % 10 == 0 or x % 10 == 9)],error_bad_lines=False,names=['Region Avg IOU', 'Class', 'Obj', 'No Obj', 'Avg Recall', 'count'])result['Region Avg IOU'] = result['Region Avg IOU'].str.split(': ').str.get(1)result['Class'] = result['Class'].str.split(': ').str.get(1)result['Obj'] = result['Obj'].str.split(': ').str.get(1)result['No Obj'] = result['No Obj'].str.split(': ').str.get(1)result['Avg Recall'] = result['Avg Recall'].str.split(': ').str.get(1)result['count'] = result['count'].str.split(': ').str.get(1)result['Region Avg IOU'] = pd.to_numeric(result['Region Avg IOU'])result['Class'] = pd.to_numeric(result['Class'])result['Obj'] = pd.to_numeric(result['Obj'])result['No Obj'] = pd.to_numeric(result['No Obj'])result['Avg Recall'] = pd.to_numeric(result['Avg Recall'])result['count'] = pd.to_numeric(result['count'])return resultdef gene_iou_pic(self, pd_loss):fig = plt.figure()ax = fig.add_subplot(1, 1, 1)ax.plot(pd_loss['Region Avg IOU'].values, label='Region Avg IOU')# ax.plot(result['Class'].values,label='Class')# ax.plot(result['Obj'].values,label='Obj')# ax.plot(result['No Obj'].values,label='No Obj')# ax.plot(result['Avg Recall'].values,label='Avg Recall')# ax.plot(result['count'].values,label='count')ax.legend(loc='best')ax.set_title('The Region Avg IOU curves')ax.set_xlabel('batches')fig.savefig(self.result_dir + '/region_avg_iou')logger.info('save iou pic done')def iou_pic(self):train_log_loss_path = os.path.join(self.result_dir, 'train_log_iou.txt')self.extract_log(train_log_loss_path, 'IOU')pd_loss = self.parse_iou_log(train_log_loss_path)self.gene_iou_pic(pd_loss)if __name__ == '__main__':log_path = '/home/studieren/论文/darknet/log_analysis/train_yolov3.log'result_dir = '/home/studieren/论文/darknet/log_analysis'logVis = Yolov3LogVisualization(log_path, result_dir)logVis.loss_pic()logVis.iou_pic()

7.mAP计算

参考方法https://blog.csdn.net/Gentleman_Qin/article/details/84800188

这个代码运行需要python2.7，但是现在都是python3了，谁还用2

需要修改的地方：

1. print的用法，注释掉或者修改成python3格式都可以

2. 读写文件的方法，open仅用r或者w会报错，改成rb和wb（readline的位置不要改）

具体的根据报错来修改一下就行了，最终会输出AP值

Ubuntu16.04下实现darknet-yolov3训练自己的数据（含loss图、mAP计算）相关推荐

小白教程：Ubuntu下使用Darknet/YOLOV3训练自己的数据集
小白教程:Ubuntu下使用Darknet/YOLOV3训练自己的数据集 YOLOV3官网教程:https://pjreddie.com/darknet/yolo/ 使用预训练模型进行检测 git c ...
ubuntu16.04下使用YOLOV3训练自己做的VOC数据集（VOC数据集制作+模型训练步骤+训练参数解析和问题解决+训练日志可视化（loss、IOU）+模型测试（单张、摄像头、批量测试））
前序 1.环境配置请自行参考其他博客本机环境 ubuntu16.04 python3 英伟达显卡驱动:nvidia-396 OpenCV3.4.5 CUDNN7.0.5 CUDA9.0 2.ubu ...
Ubuntu16.04下caffe CPU版的详细安装步骤
一.caffe简介 Caffe,是一个兼具表达性.速度和思维模块化的深度学习框架. 由伯克利人工智能研究小组和伯克利视觉和学习中心开发. 虽然其内核是用C++编写的,但Caffe有Python和Mat ...
ubuntu16.04 下安装Opencv2.4.9
ubuntu16.04 下安装Opencv2.4.9 OpenCV的源码download from: https://sourceforge.net/projects/opencvlibrary/? ...
ubuntu16.04下ROS最新换源方法，解决Hash sum mismatch 问题
1.更换源备份原始数据 cd /etc/apt/ sudo cp sources.list sources.list.bak sudo gedit sources.list 科大源: deb htt ...
Ubuntu16.04下Mongodb官网卸载部署步骤（图文详解）（博主推荐）
不多说,直接上干货! 前期博客 Ubuntu16.04下Mongodb官网安装部署步骤(图文详解)(博主推荐) https://docs.mongodb.com/manual/tutorial/ins ...
Ubuntu16.04下面的vs code出现Unable to activate CppCheck analyzer
Ubuntu16.04下面的vs code出现Unable to activate CppCheck analyzer 解决方案: synaptic管理器中安装cppcheck和cppcheck-gu ...
Ubuntu16.04下Mongodb官网安装部署步骤（图文详解）（博主推荐）
不多说,直接上干货! 在这篇博客里,我采用了非官网的安装步骤,来进行安装.走了弯路,同时,也是不建议.因为在大数据领域和实际生产里,还是要走正规的为好. Ubuntu16.04下Mongodb(离线安 ...
linux系统脚本安装失败,ubuntu16.04下vim安装失败的原因分析及解决方案
先给大家说下问题描述? 重装了ubuntu系统,安装vim出现了以下问题: sudo apt-get install vim 正在读取软件包列表... 完成正在分析软件包的依赖关系树正在读取状态信 ...
vscode linux新建c语言,Ubuntu16.04下配置VScode的C/C++开发环境
1. Vscode安装 Visual studio code是微软发布的一个运行于 Mac OS X.Windows和 Linux 之上的,针对于编写现代 Web 和云应用的跨平台源代码编辑器.第一种 ...

Ubuntu16.04下实现darknet-yolov3训练自己的数据（含loss图、mAP计算）

Ubuntu16.04下实现darknet-yolov3训练自己的数据（含loss图、mAP计算）相关推荐

最新文章

热门文章