YOLOv3：训练自己的数据（附优化与问题总结）

zoukankan html css js c++ java

YOLOv3：训练自己的数据（附优化与问题总结）
环境说明
1. 系统：ubuntu16.04
2. 显卡：Tesla k80 12G显存
3. python环境: 2.7 && 3.6
4. 前提条件：cuda9.0 cudnn7.0 opencv3.4.0
  
  安装cuda和cudnn教程
  
  安装opencv3.4.0教程
实现YOLOV3的demo
1. 首先安装darknet框架，官网链接
  
  git clone https://github.com/pjreddie/darknet.git cd darknet vim Makefile
  
  根据情况修改Makefile,如果使用GPU、cudnn和opencv，就将其标志位改成1。
  
  编译
  
  make
  
  编译完成，测试一下
  
  ./darknet
  
  应该会出现以下信息
  
  usage: ./darknet <function>
  
  如果有使用opencv，则可以测试下检测用例,会出现很多老鹰的图片说明darknet的安装odk了
  
  ./darknet imtest data/eagle.jpg
2. 使用yolov3预训练模型检测物体
  
  首先获取模型权重
  
  wget https://pjreddie.com/media/files/yolov3.weights
  
  然后运行目标检测
  
  ./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
  
  这边运行的时候很可能出现的一个问题就是，没有出现bbox
  
  原因
  
  如果GPU = 1或CUDNN = 1，darknet将为每个层预先分配GPU虚拟内存，这取决于cfg文件中的批量大小和子分区设置。
  对于训练，批量大小表示将在迭代中对GPU执行多少图片，更大的值可以减少训练时间，并且如果GPU在迭代中没有足够的内存，则子划分可以将它们分组以防止存储器大小限制问题。
  保持1检测，因为这些设置主要用于训练网络。
  
  参考：
  
  https://github.com/pjreddie/darknet/issues/405
  
  https://github.com/pjreddie/darknet/issues/405
  
  解决方法：
  
  （1）检测的时候令cudnn=0，
  
  （2）修改cfg文件成batch=1，sub=1
命令简介

先举个例子
```
./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg
```
darknet ：一个可执行的程序，类似win下的exe

detector：是第一个参数，执行detector.c

test：detector.c里面的一个函数test_detector()，用来测试图片

cfg/coco.data："cfg/"是训练的配置文件所在路径，coco.data是.data配置文件名

cfg/yolov3.cfg："cfg/"是训练的配置文件所在路径，yolov3.cfg是.cfg配置文件名

yolov3.weights：训练好的模型，yolov3.weights在darknet根目录

data/dog.jpg：“data/”是要测试图片所在路径，dog.jpg是测试图片文件名
1. 测试
  
  测试图片
  
  指令格式
  
  ./darknet detector test <data_cfg> <test_cfg> <weights> <image_file>（可选）
  
  如果没有指定 <image_file> 就可以像这样测试多张图片
  
  <test_cfg>文件中batch和subdivisions两项须为1或者测试时不使用cudnn
  
  测试时还可以用-thresh调整置信度阈值，例如只显示置信度在60%以上的 bbox
  
  ./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg -thresh .6
  
  检测视频，需要用到demo函数（src/demo.c）
  
  ./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights test.avi
  
  在摄像头上测试，需要用到demo函数
  
  ./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights
2. 训练模型
  
  指令格式
  
  ./darknet -i <gpu_id> detector train <data_cfg> <train_cfg> <weights>
  
  单GPU训练
  
  ./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74
  
  更换GPU训练
  
  ./darknet detector -i 2 train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74
  
  多GPU训练
  
  ./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gpus 0,1,2,3
  
  CPU训练
  
  ./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 --nogpu
3. 模型评估recall,生成测试结果
  
  生成测试结果
  
  ./darknet detector valid <data_cfg> <test_cfg> <weights> <out_file>
  
  （1）<test_cfg>文件中batch和subdivisions两项需为1。
  （2）测试结果生成在<data_cfg>的results指定的目录下以<out_file>开头的若干文件中，若<data_cfg>没有指定results，那么默认为darknet/results。
  
  计算recall（需要修改detectocr.c请参考第五部分优化与个性化——计算map与recall）
  
  /darknet detector recall <data_cfg> <test_cfg> <weights>
  
  （1）<test_cfg>文件中batch和subdivisions两项需为1
  （2）RPs/Img、IOU、Recall都是到当前测试图片的均值（意义待续）
训练自己的数据
1. 首先下载预训练卷积权重
  
  wget https://pjreddie.com/media/files/darknet53.conv.74
2. 其次标注数据集，生成yolo所需要的txt格式的labels
  
  推荐使用yolo_mark数据集标注工具，可以直接生成txt
  
  下载yolo_mark
  
  git clone https://github.com/AlexeyAB/Yolo_mark.git
  
  要在Linux上编译，输入：
  
  cd Yolo_mark cmake . make chmod +x linux_mark.sh ./linux_mark.sh
  
  打开yolo_mark就是GUI的标注了，主要是修改data和names，具体请参考官网
3. 修改配置文件
  
  修改.data文件
  
  classes= 4 （修改成自己训练的种类数） train = /home/user_name/darknet/data/train.txt （修改成自己train.txt的路径） valid = /home/user_name/darknet/data/2007_test.txt （评估测试的图片的路径，用于后面的评估测试） names = data/voc.names （修改成自己的类别名的路径） backup = backup （训练的权重所存放的路径） results = results （评估测试结果存放路径，也可以自己定义）
  
  修改.names这个比较简单，修改自己的类别就可以
  
  例如我的文件是yolov3.names
  
  修改.cfg文件
  
  关于cfg修改，以4类目标检测为例，主要有以下几处调整（蓝色标出），#表示注释，根据训练和测试，自行修改，修改说明：
  
  A:filters的计算和聚类数目分布有关
  
  yolov3:filters=(classes + 5)x3
  
  yolov2: filters=(classes + 5)x5。
  
  B.classes就是类别数量
  
  C.如果想修改默认anchors数值，可以使用k-means；
  
  D.如果显存够大，则可以开启多尺度训练令random=1，不过loss会有点震荡；
  
  给出一份我的cfg以供参考，传送门
  
  [net]
  
  Testing
  
  batch=1
  
  subdivisions=1
  
  Training
  
  batch=64
  
  subdivisions=8
  
  ......
  
  [convolutional]
  size=1
  stride=1
  pad=1
  
  filters=27###75
  
  activation=linear
  
  [yolo]
  mask = 6,7,8
  anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326
  classes=4###20
  num=9
  jitter=.3
  ignore_thresh = .5
  truth_thresh = 1
  random=0###1
  
  ......
  
  [convolutional]
  size=1
  stride=1
  pad=1
  filters=27###75
  activation=linear
  
  [yolo]
  mask = 3,4,5
  anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326
  classes=4###20
  num=9
  jitter=.3
  ignore_thresh = .5
  truth_thresh = 1
  random=0###1
  
  ......
  
  [convolutional]
  size=1
  stride=1
  pad=1
  filters=27###75
  activation=linear
  
  [yolo]
  mask = 0,1,2
  anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326
  classes=4###20
  num=9
  jitter=.3
  ignore_thresh = .5
  truth_thresh = 1
  random=0###1
  
  给一份标注好的数据集，有需要的可以参考目录和格式.百度网盘戳我
  提取码: j1zi
4. 开始训练
  
  ./darknet detector train cfg/yolov3.data cfg/yolov3.cfg darknet53.conv.74
  
  avg：平均loss，越小越好，
  
  rate：学习率，默认为0.001，可以根据自己的训练情况调整,一般为0.01，0.003，0.001等
  
  训练参数说明
  
  Region xx: cfg文件中yolo-layer的索引，82是大物体层，94是中物体层，106小物体层；
  
  Avg IOU: 当前迭代中，预测的box与标注的box的平均交并比，越大越好，期望数值为1；
  
  Class: 标注物体的分类准确率，越大越好，期望数值为1；
  
  obj: 越大越好，期望数值为1；
  
  No obj: 越小越好；
  
  .5R: 以IOU=0.5为阈值时候的recall; recall = 检出的正样本/实际的正样本
  
  0.75R: 以IOU=0.75为阈值时候的recall;
  
  count: 正样本数目。
优化与个性化问题

这边的更改之后都需要make clean后再make。如果改了之后发现没变化，请第一时间看看是不是没有执行这一步。
1. 什么时候保存模型，又要如何更改呢？
  
  迭代次数小于1000时，每100次保存一次，大于1000时，每10000次保存一次。
  
  自己可以根据需求进行更改，然后重新编译即可[ 先 make clean ,然后再 make]
  
  代码位置： examples/detector.c line 138
2. 如何在图像上添加置信度？
  
  可以看github的修改记录，也可以看下面的修改，修改传送门
  
  修改src/image.c文件draw_detections()函数，代码修改如下：
  
  int i,j; for(i = 0; i < num; ++i){ char labelstr[4096] = {0}; char s1[]={" "};//为了name与置信度之间加空格 int class = -1; char possible[5];//存放检测的置信值 for(j = 0; j < classes; ++j){ sprintf(possible,"%.2f",dets[i].prob[j]);//置信值截取小数点后两位赋给possible if (dets[i].prob[j] > thresh){ if (class < 0) { strcat(labelstr, names[j]); strcat(labelstr,s1); //加空格 strcat(labelstr, possible);//标签中加入置信值 class = j; } else { strcat(labelstr, ", "); strcat(labelstr, names[j]); strcat(labelstr,s1);//加空格 strcat(labelstr, possible);//标签中加入置信值 } printf("%s: %.0f%% ", names[j], dets[i].prob[j]*100); } }
3. 如何缩小标签大小？
  
  src/image.c的draw_detections()函数中，get_label函数调用的参数,修改成合适的大小
  
  效果图：
4. 如何添加中文标签？
  
  首先制作中文标签图片，
  
  在darknet/data/labels里面有制作脚本make_labels.py。修改以下就可以用了
  
  例如我的是四类，我就修改成
  
  # -*- coding: utf-8 -*- import os l=["行人","前部","侧边","后部"] def make_labels(s): i = 0 for word in l: os.system("convert -fill black -background white -bordercolor white -border 4 -font /usr/share/fonts/truetype/arphic/ukai.ttc -pointsize %d label:"%s" "cn_%d_%d.png""%(s,word,i,s/12-1)) i = i + 1 for i in [12,24,36,48,60,72,84,96]: make_labels(i)
  
  运行脚本
  
  python make_labels.py
  
  就可以在labels里面看到自己制作的图片标签
  
  其次修改src/image.c的代码
  
  具体请看github的修改，传送门，修改完之后，make clean && make.
  
  测试以下，如图，Bingo!!!
5. 如何批量检测？
  
  可以看我github的修改，也可以按照下面的修改。修改传送门
  
  首先在添加一个获取图片名字的函数：
  
  #include "darknet.h" #include <opencv2/highgui/highgui.hpp> static int coco_ids[]={1,2,3,4,5,6,7,8,9,10,11,13,14,15,16,17,18,19,20,21,22,23,24,25,27,28,31,32,33,34,35,36,37,38,39,40,41,42,43,44,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,67,70,72,73,74,75,76,77,78,79,80,81,82,84,85,86,87,88,89,90}; char *GetFilename(char *p) { static char name[20]={""}; char *q = strrchr(p,'/') + 1; strncpy(name,q,10);//后面的10是你自己图片名的长度，可修改 return name; }
  
  替换examples/detector.c 中的test_detector函数
  
  void test_detector(char *datacfg, char *cfgfile, char *weightfile, char *filename, float thresh, float hier_thresh, char *outfile, int fullscreen) { list *options = read_data_cfg(datacfg); char *name_list = option_find_str(options, "names", "data/names.list"); char **names = get_labels(name_list); image **alphabet = load_alphabet(); network *net = load_network(cfgfile, weightfile, 0); set_batch_network(net, 1); srand(2222222); double time; char buff[256]; char *input = buff; float nms=.45; int i=0; while(1){ if(filename){ strncpy(input, filename, 256); image im = load_image_color(input,0,0); image sized = letterbox_image(im, net->w, net->h); layer l = net->layers[net->n-1]; float *X = sized.data; time=what_time_is_it_now(); network_predict(net, X); printf("%s: Predicted in %f seconds. ", input, what_time_is_it_now()-time); int nboxes = 0; detection *dets = get_network_boxes(net, im.w, im.h, thresh, hier_thresh, 0, 1, &nboxes); if (nms) do_nms_sort(dets, nboxes, l.classes, nms); draw_detections(im, dets, nboxes, thresh, names, alphabet, l.classes); free_detections(dets, nboxes); if(outfile) { save_image(im, outfile); } else{ save_image(im, "predictions"); #ifdef OPENCV cvNamedWindow("predictions", CV_WINDOW_NORMAL); if(fullscreen){ cvSetWindowProperty("predictions", CV_WND_PROP_FULLSCREEN, CV_WINDOW_FULLSCREEN); } show_image(im, "predictions",0); cvWaitKey(0); cvDestroyAllWindows(); #endif } free_image(im); free_image(sized); if (filename) break; } else { printf("Enter Image Path: "); fflush(stdout); input = fgets(input, 256, stdin); if(!input) return; strtok(input, " "); list *plist = get_paths(input); char **paths = (char **)list_to_array(plist); printf("Start Testing! "); int m = plist->size; if(access("/home/lzm/data/test_folder/darknet/car_person/out",0)==-1)//"/homelzm/......"修改成自己要保存图片的的路径 { if (mkdir("/home/lzm/data/test_folder/darknet/car_person/out",0777))//"/homelzm/......"修改成自己要保存图片的的路径 { printf("creat folder failed!!!"); } } for(i = 0; i < m; ++i){ char *path = paths[i]; image im = load_image_color(path,0,0); image sized = letterbox_image(im, net->w, net->h); //image sized = resize_image(im, net->w, net->h); //image sized2 = resize_max(im, net->w); //image sized = crop_image(sized2, -((net->w - sized2.w)/2), -((net->h - sized2.h)/2), net->w, net->h); //resize_network(net, sized.w, sized.h); layer l = net->layers[net->n-1]; float *X = sized.data; time=what_time_is_it_now(); network_predict(net, X); printf("Try Very Hard:"); printf("%s: Predicted in %f seconds. ", path, what_time_is_it_now()-time); int nboxes = 0; detection *dets = get_network_boxes(net, im.w, im.h, thresh, hier_thresh, 0, 1, &nboxes); //printf("%d ", nboxes); //if (nms) do_nms_obj(boxes, probs, l.w*l.h*l.n, l.classes, nms); if (nms) do_nms_sort(dets, nboxes, l.classes, nms); draw_detections(im, dets, nboxes, thresh, names, alphabet, l.classes); free_detections(dets, nboxes); if(outfile){ save_image(im, outfile); } else{ char b[2048]; sprintf(b,"/home/lzm/data/test_folder/darknet/car_person/out/%s",GetFilename(path));//"/homelzm/......"修改成自己要保存图片的的路径 save_image(im, b); printf("OJBK! ",GetFilename(path)); #ifdef OPENCV cvNamedWindow("predictions", CV_WINDOW_NORMAL); if(fullscreen){ cvSetWindowProperty("predictions", CV_WND_PROP_FULLSCREEN, CV_WINDOW_FULLSCREEN); } show_image(im, "predictions",0); cvWaitKey(0); cvDestroyAllWindows(); #endif } free_image(im); free_image(sized); if (filename) break; } } } }
  
  make clean后再make然后批量测试即可，输入的路径为那些图片路径的txt。
6. 如何输入检测结果文本，计算recall，map计算
  
  生成测试结果
  
  ./darknet detector valid <data_cfg> <test_cfg> <weights> <out_file>
  
  <test_cfg>文件中batch和subdivisions两项必须为1。
  
  结果生成在<data_cfg>的results指定的目录下以<out_file>开头的若干文件中，若<data_cfg>没有指定results，那么默认为<darknet_root>/results。
  
  如果出现以下问题，则说明在.data文件里面没有指定valid的路径，添加即可
  
  Couldn't open file: data/train.list
  
  计算recall
  
  修改examples/detector.c的validate_detector_recall函数，修改传送门
  
  首先将validate_detector_recall函数定义和调用修改成
  
  void validate_detector_recall(char *datacfg, char *cfgfile, char *weightfile) validate_detector_recall(datacfg, cfg, weights);
  
  list *plist = get_paths("data/coco_val_5k.list"); char **paths = (char **)list_to_array(plist); 修改成 list *options = read_data_cfg(datacfg); char *valid_images = option_find_str(options, "valid", "data/train.list"); list *plist = get_paths(valid_images); char **paths = (char **)list_to_array(plist);
  
  修改完老规矩，make clean后再make
  
  计算recall
  
  ./darknet detector recall <data_cfg> <test_cfg> <weights>
  
  <test_cfg>文件中batch和subdivisions两项必须为1。
  
  计算map
  
  先制作xml文件，由于yolo需要的是txt标注，所以之前没有制作xml的。现在利用一个脚本txt2xml.py进行转换，txt2xml.py传送门。
  
  在python3的环境下运行，就可以得到xml文件
  
  计算mAP
  
  借助py-faster-rcnn下的voc_eval.py计算，voc_eval.py传送门
  
  然后新建一个all_map.py（顾名思义是计算所有类的ap，平均一下就是map）的计算脚本，这边提供一个例子，根据注释修改即可。all_map.py传送门
  
  python2 all_map.py即可看到ap
  
  若不想让他输出这么多rec什么，可以修改voc.eval.py的返回值只返回ap既可
  
  若要输出结果就直接在命令后面加一个 > ap_res.txt 即可
  
  若有需求重复计算map，需要删除生成的annots.pkl
7. 后台运行并保存训练日志
  
  nohup 执行命令 > 输出文件 2>&1 &
  
  例如
  
  nohup ./darknet detector train head_detector/head.data head_detector/head.cfg head_detector/backup/head.backup -gpus 0,1 > train.log 2>&1 &
8. Loss和IOU可视化
  用上面生成的train.log来可视化，代码在github，可以根据注释修改，安装pandas等相关模块即可
  
  代码传送门
  
  我的训练初步效果
9. 使用python接口进行批量检测并保存测试结果和分割图片
  只需要将python接口中的文件路径替换成自己的，具体看github代码注释，代码传送门
  
  python darknet.py
  
  测试结果目录树类似以下。若出现模块报错等，则安装相应模块即可。
可能出现的问题
1. 出现大量的-nan
  
  原因
  
  有三个可能
  
  可能cfg文件的batch=1，subdivisions=1
  
  可能batch太小了
  
  训练的图片中没有遍布大中小三个层
  
  解决方案
  
  修改成Training状态的参数batch=64, subdicisions=16
  
  在显存允许的情况下，增加batch
  
  第三种情况属于正常，因为YOLOv3从三个scale上提取了特征，且不同尺度选取了不同尺度的的检测框，比如你在训练小目标，那么region82和region94出现nan就正常。
2. CUDA: out of memory
  
  darknet: ./src/cuda.c:36: check_error: Assertion `0' failed.
  
  原因：显存不够
  
  解决方案：关闭random，如果还是不行，可以适当调小batch（32或者16）
3. 训练了很多次itertation，但是还是什么都没有检测出来？
  
  原因
  
  检测的时候需要batch和sub不是1 ；
  
  如果调低thresh后还没有出现bbox，那么就是训练的时候可能batch和sub都是1，这样训练的模型几乎不能用
  
  解决方案
  
  测试的时候.cfg文件中令 (batch=1,subdivisions=1)；
  
  训练的时候将.cfg文件修改成（batch=64, subdicisions=16)
4. cfg修改问题？
  
  darknet: ./src/parser.c:348: parse_region: Assertion `l.outputs == params.inputs' failed
  
  原因：filters修改错误，没有对上classes；
  
  解决方案：修改filters
  
  YOLOv2: filters =（classes+5）x5
  
  YOLOv3: filters =（classes+5）x3
5. can't open file :train.txt or can't load image ？
  
  Couldn't open file:/home/lzm/test_folder/darknet/car_person/labels/jam6_0116.txt
  
  原因：一般来说是train.txt的文件格式问题；
  
  解决方案：把train.txt的换行格式修改成unix换行格式，另外图片路径要正确，参考博文
6. Segmentation fault (core dumped)，训练几百次intertation后分段错误
  原因
  
  开了尺度训练即cfg中random=1，显存不足;
  
  标注的box里面出现x,y=0的情况;
  
  解决方案
  
  关闭尺度训练，random=0;
  
  修改坐标让x,y>0; 参考issue
7. detector recall的时候出现大量nan
  
  原因：detector.c代码中的bug，k的最大值必须由nbox确定，而不是
  
  解决方案：修改examples/detector.c的代码，修改参考
8. 为了批量检测图片，修改detector.c后，编译出现问题
  
  error: too few arguments to function ‘show_image’ show_image(im, "predictions");
  
  原因：show_image函数少了一个参数，有些代码是比较旧的。
  
  解决方案：修改报错的那一行
  
  show_image(im, "predictions"); 改成 show_image(im, "predictions"，0);
9. 为了批量检测图片，修改detector.c后，编译出现问题
  
  error: ‘CV_WINDOW_NORMAL’ undeclared (first use in this function) cvNamedWindow("predictions", CV_WINDOW_NORMAL);
  
  原因：原因链接，darknet.h还少了opencv的一个头文件，#include <opencv2/highgui/highgui.hpp>
  
  解决方案：在报错的程序中加上即可
  
  #include "darknet.h" #include <opencv2/highgui/highgui.hpp>
10. 使用txt2xml.py生成xml时候的问题
  
  问题issue
```
'encoding' is an invalid keyword argument for this function
```
原因：在Python 2中，open（）函数不带编码参数（第三个参数是缓冲选项）

解决方法：有两种
1. import io
  
  open改成 io.open
2. 使用python3
References
查看全文

相关阅读:
java国际化---native2ascii.exe 的使用方法
 Spring+SpringMVC+MyBatis+easyUI整合优化篇（十四）谈谈写博客的原因和项目优化
 Spring+SpringMVC+MyBatis+easyUI整合优化篇（十三）数据层优化-表规范、索引优化
 Spring+SpringMVC+MyBatis+easyUI整合优化篇（十二）数据层优化-explain关键字及慢sql优化
 Spring+SpringMVC+MyBatis+easyUI整合优化篇（十一）数据层优化-druid监控及慢sql记录
 Spring+SpringMVC+MyBatis+easyUI整合优化篇（九）数据层优化-jdbc连接池简述、druid简介
 Spring+SpringMVC+MyBatis+easyUI整合优化篇（八）代码优化整理小记及个人吐槽
 Spring+SpringMVC+MyBatis+easyUI整合优化篇（七）图片上传功能
 Spring+SpringMVC+MyBatis+easyUI整合优化篇（六）easyUI与富文本编辑器UEditor整合
 Spring+SpringMVC+MyBatis+easyUI整合优化篇（五）结合MockMvc进行服务端的单元测试

原文地址：https://www.cnblogs.com/luzeming/p/10657823.html

YOLOv3：训练自己的数据（附优化与问题总结）

环境说明

实现YOLOV3的demo

命令简介

训练自己的数据

Testing

batch=1

subdivisions=1

Training

优化与个性化问题

可能出现的问题

References