适用于Windows和Linux的Yolo-v3和Yolo-v2（下）

如何训练（检测自定义对象）：

（培养老YOLO V2 yolov2-voc.cfg，yolov2-tiny-voc.cfg，yolo-voc.cfg，yolo-voc.2.0.cfg，… 通过链接点击）

训练Yolo v3：

创建yolo-obj.cfg内容与中相同的文件yolov3.cfg（或复制yolov3.cfg到yolo-obj.cfg)和：

将行批次更改为 batch=64
将线路细分更改为 subdivisions=16
将max_batches线更改为（classes*2000但不小于4000），max_batches=6000如果训练3节课，则为fe
将线路步长更改为max_batches，fe的80％和90％ steps=4800,5400
设置网络大小width=416 height=416或任何32的值的倍数：https : //github.com/AlexeyAB/darknet/blob/0039fd26786ab5f71d5af725fc18b3f521e7acfd/cfg/yolov3.cfg#L8-L9
将行更改classes=80为3 [yolo]层中每层的对象数：

https://github.com/AlexeyAB/darknet/blob/0039fd26786ab5f71d5af725fc18b3f521e7acfd/cfg/yolov3.cfg#L610
https://github.com/AlexeyAB/darknet/blob/0039fd26786ab5f71d5af725fc18b3f521e7acfd/cfg/yolov3.cfg#L696
https://github.com/AlexeyAB/darknet/blob/0039fd26786ab5f71d5af725fc18b3f521e7acfd/cfg/yolov3.cfg#L783

变化[ filters=255在3]到过滤器=（类+ 5）×3 [convolutional]的每个前[yolo]层

https://github.com/AlexeyAB/darknet/blob/0039fd26786ab5f71d5af725fc18b3f521e7acfd/cfg/yolov3.cfg#L603
https://github.com/AlexeyAB/darknet/blob/0039fd26786ab5f71d5af725fc18b3f521e7acfd/cfg/yolov3.cfg#L689
https://github.com/AlexeyAB/darknet/blob/0039fd26786ab5f71d5af725fc18b3f521e7acfd/cfg/yolov3.cfg#L776

当使用[Gaussian_yolo] 层，改变[ filters=57]过滤器=（类+ 9）X3在3 [convolutional]每个前[Gaussian_yolo]层

https://github.com/AlexeyAB/darknet/blob/6e5bdf1282ad6b06ed0e962c3f5be67cf63d96dc/cfg/Gaussian_yolov3_BDD.cfg#L604
https://github.com/AlexeyAB/darknet/blob/6e5bdf1282ad6b06ed0e962c3f5be67cf63d96dc/cfg/Gaussian_yolov3_BDD.cfg#L696
https://github.com/AlexeyAB/darknet/blob/6e5bdf1282ad6b06ed0e962c3f5be67cf63d96dc/cfg/Gaussian_yolov3_BDD.cfg#L789

因此，如果classes=1应该filters=18。如果classes=2再写filters=21。

（不要写在cfg文件中：filters =（classs + 5）x3）

（通常filters取决于classes，coords和的数量mask，即filters = (classes +
coords + 1)*，其中maskanchor的索引。如果mask不存在，则filters = (classes +coords + 1)*num）

因此，例如，对于2个对象，文件yolo-obj.cfg应该yolov3.cfg在3个 [yolo]层中的每一行中与以下行不同：

[convolutional]

filters=21

[region]

classes=2

obj.names在目录中创建文件build\darknet\x64\data\，并带有对象名称-每个都在新行中
obj.data在目录中创建文件build\darknet\x64\data\，其中包含（其中class =对象数）：

classes= 2

train = data/train.txt

valid = data/test.txt

names = data/obj.names

backup = backup/

将对象的图像文件（.jpg）放在目录中 build\darknet\x64\data\obj\
应该在数据集中的图像上标记每个对象。使用此可视化GUI软件标记对象的边界框并为Yolo v2和v3生成注释文件：https : //github.com/AlexeyAB/Yolo_mark

将.txt为.jpg同一目录中具有相同名称但具有.txt-extension的每个-image-file- 创建一个-file ，并将其放置到文件中：该图像上的对象编号和对象坐标，用于新行中的每个对象：

<x_center>
<y_center>

哪里：

-从0到的整数对象编号(classes-1)
<x_center>
<y_center> -浮动值相对于图片的宽度和高度，可以等于(0.0 to 1.0]
例如： = <absolute_x> / <image_width>或 =
<absolute_height> / <image_height>
注意：<x_center> <y_center>-矩形的中心（不是左上角）

例如，将为img1.jpg创建img1.txt包含：

1 0.716797 0.395833 0.216406 0.147222

0 0.687109 0.379167 0.255469 0.158333

1 0.420312 0.395833 0.140625 0.166667

train.txt在directory中创建文件build\darknet\x64\data\，其中包含图像的文件名，每个文件名都换行，并具有相对于的路径darknet.exe，例如包含：

data/obj/img1.jpg

data/obj/img2.jpg

data/obj/img3.jpg

下载卷积层的预训练权重并放入目录 build\darknet\x64

o for csresnext50-panet-spp.cfg（133 MB）：csresnext50-panet-spp.conv.112

o 对于yolov3.cfg, yolov3-spp.cfg（154 MB）：darknet53.conv.74

o for yolov3-tiny-prn.cfg
, yolov3-tiny.cfg（6 MB）：yolov3-tiny.conv.11

o 对于enet-coco.cfg (EfficientNetB0-Yolov3)（14 MB）：enetb0-coco.conv.132

使用命令行开始训练： darknet.exe
detector train data/obj.data yolo-obj.cfg darknet53.conv.74

要在Linux上训练，请使用以下命令：（./darknet detector train data/obj.data yolo-obj.cfg darknet53.conv.74仅使用./darknet代替darknet.exe）

o （文件每100次迭代yolo-obj_last.weights将保存到中build\darknet\x64\backup\）

o （文件每1000次迭代yolo-obj_xxxx.weights将保存到中build\darknet\x64\backup\）

o （darknet.exe detector train data/obj.data yolo-obj.cfg darknet53.conv.74
-dont_show如果在没有监视器的计算机（如云EC2）上训练，则可以禁用Loss-Window的使用）

o （要在没有GUI的远程服务器上进行训练时查看mAP和损失图，请使用命令，darknet.exe detector train data/obj.data yolo-obj.cfg darknet53.conv.74 -dont_show -mjpeg_port 8090 -map然后http://ip-address:8090在Chrome / Firefox浏览器中打开URL ）

8.1. 对于每4个纪元（设置valid=valid.txt或train.txt在obj.data文件中）使用mAP（平均平均精度）计算进行训练并运行：darknet.exe detector train data/obj.data yolo-obj.cfg darknet53.conv.74-map

训练完成后- yolo-obj_final.weights从路径中获取结果build\darknet\x64\backup\

每进行100次迭代后，可以停止，然后从这一点开始训练。例如，经过2000次迭代后，可以停止训练，之后再开始使用以下方法开始训练：darknet.exe detector train data/obj.data yolo-obj.cfg backup\yolo-obj_2000.weights

（在原始存储库https://github.com/pjreddie/darknet中，权重文件每1万次迭代仅保存一次if(iterations > 1000)）

同样，可以比所有45000次迭代更早地获得结果。

注意：如果在训练过程中看到（损失）字段的nan值avg-则训练有误，但如果出现nan在其行中-则训练进行得很好。

注意：如果在cfg文件中更改了width =或height =，则新的宽度和高度必须被32整除。

注意：训练后，请使用以下命令进行检测：darknet.exe
detector test data/obj.data yolo-obj.cfg yolo-obj_8000.weights

注意：如果Out of memory发生错误，.cfg则应在-file文件中增加subdivisions=1632或64：链接

如何训练tiny-yolo（检测自定义对象）：

执行与上述完整yolo模型相同的所有步骤。除了：

下载yolov3-tiny的默认权重文件：https

适用于Windows和Linux的Yolo-v3和Yolo-v2（下）相关推荐

适用于Windows和Linux的Yolo-v3和Yolo-v2（上）
适用于Windows和Linux的Yolo-v3和Yolo-v2(上) https://github.com/eric-erki/darknetAB (用于对象检测的神经网络)-Tensor Core ...
mac linux 性能测试工具下载,8款SSD固态硬盘性能测试软件，适用于Windows、Linux、MacOS、安卓系统等不同操作系统的...
虽然各存储厂商对SSD的读写参数都有说明,但通常是不太准确的.唯一值得相信的就是自己测试,用自己的真实环境得到真正的数据. 警告 - 请不要不必要地重复读/写测试你的SSD固态盘,重复读/写测试可能会 ...
mac与linux文本转换_适用于Windows，Linux和Mac的最佳免费文本编辑器
mac与linux文本转换 We all use text editors to take notes, save web addresses, write code, as well as othe ...
abiword_AbiWord是适用于Windows，Linux和Mac的免费文字处理器
abiword Sometimes you need a word processing application but not an entire office suite. Today we ta ...
获取本地ip地址适用于windows和Linux环境
简写版本 package com.gblfy.util;import java.net.Inet4Address; import java.net.InetAddress; import java.n ...
模拟器不全屏_puNES 适用于 Windows 和 Linux 的开源 NES 模拟器
在游戏方面,我个人并不喜欢玩网络游戏,如果要玩游戏,也都是玩一些单机版的,我个人比较喜欢 ATC 动作过关游戏.年前的时候用发小的 PS4 玩了几天,虽然游戏都是大作,但是仍然无法撼动我对单机以及像素 ...
Python程序编译为动态库pyd或so (适用于Windows和Linux)
Welcome to My Blog 文章唯一地址:https://blog.csdn.net/REAL_liudebai/article/details/125126432 问题: 1)Pyth ...
windows编写linux脚本,适用于 Windows 和 Linux 的脚本编写工具包
提供脚本编写功能,支持部署高容量 ProLiant 服务器安装在 Windows 及 Linux 环境中均支持 HPE ProLiant BL/ML/DL/SL.XL 100.300.500.700 ...
windows与Linux实时传输数据,I01 物理隔离条件下Windows与Linux服务器的文件传输脚本...
title: I01 物理隔离条件下Windows与Linux服务器的文件传输脚本author: Adolph Leecategories: 进阶tags: paramiko打怪升级mathjax: ...

适用于Windows和Linux的Yolo-v3和Yolo-v2（下）

适用于Windows和Linux的Yolo-v3和Yolo-v2（下）相关推荐

最新文章

热门文章