2019獨(dú)角獸企業(yè)重金招聘Python工程師標(biāo)準(zhǔn)>>>

官網(wǎng)yolov1：http://pjreddie.com/darknet/yolov1/

官網(wǎng)yolov2：http://pjreddie.com/darknet/yolo/

github yolo：https://github.com/pjreddie/darknet

---

yolo訓(xùn)練要有自己的一套方式，先說說label要怎么弄。

1 標(biāo)簽和數(shù)據(jù)的格式

首先看看標(biāo)簽和數(shù)據(jù)的格式

數(shù)據(jù)放在images中，這個(gè)文件夾名字可以隨便起，但是注意，labels這個(gè)文件夾一定不能改。這個(gè)yolo會(huì)自動(dòng)找到這個(gè)文件夾里面標(biāo)好的數(shù)據(jù)的。

然后進(jìn)入labels這個(gè)文件夾

我們分析一下這個(gè)文件夾里面的內(nèi)容

標(biāo)簽的格式是：

類別 框的中心點(diǎn)X方向/圖像寬 框的中心點(diǎn)Y方向/圖像高 框?qū)?圖像寬 框高/圖像高 class_number box2_x1_ratio box2_y1_ratio box2_width_ratio box2_height_ratio

具體計(jì)算看一看scripts/voc_label.py的源碼

# size :width height box: xmin xmax ymin ymax def convert(size, box):dw = 1./size[0]dh = 1./size[1]x = (box[0] + box[1])/2.0y = (box[2] + box[3])/2.0w = box[1] - box[0]h = box[3] - box[2]x = x*dww = w*dwy = y*dhh = h*dhreturn (x,y,w,h)

2 修改yolo.c

然后要改yolo.c文件中的類別數(shù)目，修改train.txt路徑到自己的train.txt，**注意下，train.txt里面只需要寫圖片的路徑就可以了，每行一張圖片路徑，用的是絕對路徑，相對路徑還沒有用過，不知道行不行。

char *train_images = "/data/voc/train.txt"; char *backup_directory = "/home/pjreddie/backup/";

然后找到這個(gè)函數(shù)

draw_detections(im, l.side*l.side*l.n, thresh, boxes, probs, voc_names, alphabet, CLASSNUM);

最后的classnum改成自己的類型數(shù)目。

3　修改yolo_kernels.cu

yolo_kernels.cu文件中　找到這個(gè)函數(shù)

draw_detections(det, l.side*l.side*l.n, demo_thresh, boxes, probs, voc_names, voc_labels, CLS_NUM);

改變最后的cls_num為自己的類型數(shù)目。

4　修改cfg

最后要改的就是yolo2.cfg 或者是yolo.cfg，看你用哪個(gè),不過這個(gè)都是yolov1的。

切記一點(diǎn)，在兩個(gè)文件的最末端

[connected] output= 931 activation=linear[detection] classes=4 coords=4 rescore=1 side=7 num=3 softmax=0 sqrt=1 jitter=.2

output 是需要重新計(jì)算的，如果不重新計(jì)算會(huì)報(bào)一個(gè)問題

Assertion `side*side*((1 + l.coords)*l.n + l.classes) == inputs' failed.

而這個(gè)output值的計(jì)算如上面這個(gè)錯(cuò)誤

• side=7
• l.coords = coords
• l.n = num
• l.classes = classes

即output = 7*7*((1+coords)*num+classes)

這個(gè)classes需要改成自己的類別數(shù)目。

如果要用yolov2的進(jìn)行訓(xùn)練的話，那么需要重新計(jì)算最后一層的filter

[convolutional] size=1 stride=1 pad=1 filters=425 activation=linear[region] anchors = 0.738768,0.874946, 2.42204,2.65704, 4.30971,7.04493, 10.246,4.59428, 12.6868,11.8741 bias_match=1 classes=80 coords=4 num=5 softmax=1 jitter=.2 rescore=1object_scale=5 noobject_scale=1 class_scale=1 coord_scale=1

filter的計(jì)算公式為

filters = num*(classes+coords+1)

5 訓(xùn)練

去官網(wǎng)下載extraction.conv.weights，當(dāng)然也可以自己重新計(jì)算extraction.conv.weights，　過程就不詳細(xì)敘述了，可以去官網(wǎng)自己看看。最后就可以愉快的運(yùn)行訓(xùn)練了。

./darknet yolo train cfg/yolov1/yolo2.cfg extraction.conv.weights

截圖留念

最后給出一個(gè)不錯(cuò)的blog，YOLO2 如何fine tunning

轉(zhuǎn)載于:https://my.oschina.net/u/1046919/blog/801132

總結(jié)

以上是生活随笔為你收集整理的YOLO 训练的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。