200字范文 > Darknet——yolo3训练自己的数据集+在ros环境下实现目标检测实战教程（二）——训练自

Darknet——yolo3训练自己的数据集+在ros环境下实现目标检测实战教程（二）——训练自

时间：2021-03-31 12:24:25

文章目录

前言一、安装darknet包和编译工程包下载编译下载预训练模型并简单测试二、制作自己的训练集并训练准备数据集数据标注生成训练集和测试集修改必要的文件开始训练总结

前言

经过之前的准备，基本已经具备了darknet运行的环境条件了，接下来是安装和编译darknet包和简单测试，准备自己的数据集训练自己的权重文件。

一、安装darknet包和编译

（一）代码下载：

可以直接参考github主页：/leggedrobotics/darknet_ros

$mkdir -p catkin_workspace/src$cd catkin_workspace/src$git clone --recursive git@:leggedrobotics/darknet_ros.git$cd ../

注意：不用这种方式下载下来可能文件不完整，也不能直接到github网站上去下载，那样下载下来的darknet文件夹里面是空的，只能通过git clone下载，且必须要加上--recursive才能够下载完全。但是这样克隆可能会报错误。因为需要配置ssh以及生成密匙，添加github ssh密钥,可以参考：

/qq_34706266/article/details/93228721

本人也将该工程包上到的自己的github，但是略有修改，需要的可以自取：

/zhuzhengming/darknet_ros_yolo3

（二）编译

在工作空间下，执行命令：

$catkin_make -DCMAKE_BUILD_TYPE=Release

此时会开始编译整个项目，编译完成后会检查{catkin_ws}/darknet_ros/darknet_ros/yolo_network_config/weights文件下有没有yolov2-tiny.weights和yolov3.weights两个模型文件，默认下载好的代码里面为了节省体积是不带这两个模型文件的。因此编译之后会自动开始下载模型文件，此时又是一段漫长的等待时间。

如果出现报错：NVCC src/caffe/layers/reduction_layer.cu nvcc fatal : Unsupported gpu architecture 'compute_30' Makefile:588: recipe for target '.build_release/cuda/src/caffe/layers/reduction_layer.o' failed make: *** [.build_release/cuda/src/caffe/layers/reduction_layer.o] Error 1

这里是算力不匹配，则需要在/workspace/src/darknet_ros/darknet_ros中的Cmakelist.txt文件或者是Makefile文件中根据自己显卡和cuda版本注释掉不要的选项。

如果安装了CUDA和CUDNN，可以在Makefile文件里修改参数：

GPU=0CUDNN=0OPENCV=1OPENMP=0DEBUG=1

修改为：

GPU=1CUDNN=1OPENCV=1OPENMP=0DEBUG=1

然后执行以下命令编译(每次修改Makefile后都要重新编译)：

$ cd darknet$ make

（三）下载预训练模型和简单测试

这里lov3-tiny.weights,在根目录下下载：

$wget /media/files/yolov3-tiny.weights

简单测试：

在darknet根目录下：

1.图片测试：

$./darknet detect cfg/yolov3-tiny.cfg yolov3-tiny.weights data/dog.jpg

2.实时视频测试：

$./darknet detector demo cfg/voc.data cfg/yolov3-tiny.cfg yolov3-tiny.weights

这里就完成了darknet的安装和编译和测试,接下来是训练自己的数据集。

二、制作自己的数据集并训练

（一）准备数据集

在darknet的根目录下,建立标准的voc数据集：

$ cd scripts$ mkdir -p VOCdevkit && cd VOCdevkit$ mkdir -p VOC && cd VOC$ mkdir -p Annotations && mkdir -p ImageSets && mkdir -p JPEGImages && mkdir -p labels

Annotations:存放标注后生成的.xml文件

JPEGImages:存放自己的图片素材

labels:存放对于yolo需要的数据格式的标签文件

（二）数据标注

这里主要使用labelImg工具,这个在windows和linux都有版本,这里提供linux的安装方法：

$ sudo apt-get install pyqt5-dev-tools$ sudo pip3 install lxml$ git clone /tzutalin/labelImg.git$ cd labelImg$ make all$ python3 labelImg.py #打开labelImg

“open file ” -----"create rectbox " -----"输入类别名称 "-----“change save dir ”-----"Save" open dir选择JPEGImages，change save dir选择Annotations。

（三）生成训练集和测试集

ImageSets目录中,新建Main目录,然后在Main目录中新建两个文本文档train.txt和val.txt.分别用于存放训练集的文件名列表和测试集的文件名列表：

$ cd ImageSets $ mkdir -p Main && cd Main$ touch train.txt test.txt

yolov3提供了将VOC数据集转为YOLO训练所需要的格式的脚本，在scripts/voc_label.py文件中,做一些修改：

sets改为自己的训练集

classes为自己训练的类型

执行该脚本：

$ python scrips/voc_label.py

在main文件下会生成train.txt和var.txt文件在darknet根目录下也会生成_train.txt和_var.txt文件,后面两个文件是带路径的,是训练需要的文件路径。

（四）修改必要的文件

1.修改data目录下的voc.names,修改为自己要训练的类型标签：

2.修改cfg目录下的voc.data文件：

主要是修改为自己的训练集路径和训练好的权重文件的保存路径,我这里用的绝对路径：

classes= 2train = /home/zhuzhengming/workspace/src/darknet_ros/darknet/_train.txtvalid =/home/zhuzhengming/workspace/src/darknet_ros/darknet/_test.txtnames = /home/zhuzhengming/workspace/src/darknet_ros/darknet/data/voc.namesbackup = /home/zhuzhengming/workspace/src/darknet_ros/darknet/backup

3.修改cfg目录下的yolov3-tiny.cfg文件:

将里面的classes和fliters修改,有两处,filiters的计算方法为:3*(classes + 5)：

如下为其中一处，修改参照此：

[convolutional]size=1stride=1pad=1filters=21activation=linear[yolo]mask = 3,4,5anchors = 10,14, 23,27, 37,58, 81,82, 135,169, 344,319classes=2num=6jitter=.3ignore_thresh = .7truth_thresh = 1random=0