Yolo模型的训练参考官网：https://pjreddie.com/darknet/yolo/
（1）在VOC数据集上训练YOLO
如果您想使用不同的训练方式，超参数或数据集，可以从头开始训练YOLO。 这是在Pascal VOC数据集上运行它的方法。
1) 获取 Pascal VOC 数据集
要训练YOLO，您需要2007年至2012年的所有VOC数据。您可以在此处找到指向这些数据的链接。 要获取所有数据，请创建一个目录以存储所有数据，然后从该目录运行：
要执行wget命令需要是linux操作系统，如果是windows系统就需要手动下载了，当然也可以使用win10下的Linux子系统，但是那网速，不说了，都是泪，建议还是去其他下载速度快的地方或者使用下载工具下载这些数据。
现在将有一个VOCdevkit /子目录，其中包含所有VOC训练数据。
2） 生成VOC数据集标签
现在我们需要生成Darknet使用的标签文件。 Darknet希望为每个图像提供一个.txt文件，并为图像中的每个真实对象添加一行，如下所示：
<object-class> <x> <y> <width> <height>
其中x，y，宽度和高度是相对于图像的宽度和高度。 为了生成这些文件，我们将在Darknet的scripts /目录中运行voc_label.py脚本。 让我们再次下载它，因为我们很懒。
wget https://pjreddie.com/media/files/voc_label.py python voc_label.py
几分钟后，此脚本将生成所有必需文件。 通常，它会在VOCdevkit / VOC2007 / labels /和VOCdevkit / VOC2012 / labels /中生成许多标签文件。 在目录中，您应该看到：
ls 2007_test.txt VOCdevkit 2007_train.txt voc_label.py 2007_val.txt VOCtest_06-Nov-2007.tar 2012_train.txt VOCtrainval_06-Nov-2007.tar 2012_val.txt VOCtrainval_11-May-2012.tar
诸如2007_train.txt之类的文本文件列出了该年份的图像文件和图像集。 Darknet需要一个文本文件，其中包含要训练的所有图像。 在此示例中，让我们训练除2007测试集以外的所有内容，以便我们可以测试模型。 执行：
cat 2007_train.txt 2007_val.txt 2012_*.txt > train.txt
现在，我们将所有2007年和2012年的训练集合成一个大清单。 这就是我们要做的所有数据设置！
3） 修改Pascal Data的配置文件cfg
现在转到您的Darknet目录。 我们必须更改cfg / voc.data配置文件以指向您的数据：
1 classes= 20 2 train = <path-to-voc>/train.txt 3 valid = <path-to-voc>2007_test.txt 4 names = data/voc.names 5 backup = backup
您应该用放置VOC数据的目录替换<path-to-voc>。
4）下载预训练模型
为了进行训练，我们使用在Imagenet上预先训练的卷积权重。 我们使用darknet53模型的权重。 您可以在此处下载卷积图层的权重（76 MB）。
wget https://pjreddie.com/media/files/darknet53.conv.74
5）训练模型
现在我们可以训练！ 运行命令：
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74
---------------------------------------------------------------------------------------------------------------------------------------------------------------
*****************************************************************************************************************************************
（2）在COCO数据集上训练YOLO
如果您想使用不同的训练方式，超参数或数据集，可以从头开始训练YOLO。 这是在COCO数据集上运行它的方法。
1) 获取COCO数据
要训练YOLO，您将需要所有COCO数据和标签。 脚本scripts / get_coco_dataset.sh将为您执行此操作。 找出要放置COCO数据并下载的位置，例如：
cp scripts/get_coco_dataset.sh data cd data bash get_coco_dataset.sh
现在，您应该具有为Darknet生成的所有数据和标签。
2） 修改COCO配置文件cfg
现在转到您的Darknet目录。 我们必须更改cfg / coco.data配置文件以指向您的数据：
1 classes= 80 2 train = <path-to-coco>/trainvalno5k.txt 3 valid = <path-to-coco>/5k.txt 4 names = data/coco.names 5 backup = backup
您应该将<path-to-coco>替换为放置COCO数据的目录。
您还应该修改模型cfg以进行培训，而不是进行测试。 cfg / yolo.cfg应该看起来像这样：
[net] # Testing # batch=1 # subdivisions=1 # Training batch=64 subdivisions=8 ....
3） 训练模型
现在我们可以训练！ 运行命令：
./darknet detector train cfg/coco.data cfg/yolov3.cfg darknet53.conv.74
如果要使用多个GPU，请运行：
./darknet detector train cfg/coco.data cfg/yolov3.cfg darknet53.conv.74 -gpus 0,1,2,3
如果要停止并从检查点重新开始训练，请执行以下操作：
./darknet detector train cfg/coco.data cfg/yolov3.cfg backup/yolov3.backup -gpus 0,1,2,3