文章目錄

• • 前言
  • 訓(xùn)練流程
  • • 1、準(zhǔn)備好`圖片`和`train.txt`、`test.txt`
    • 2、修改相關(guān)路徑
    • • i) 修改`class.names`文件以及`__C.YOLO.CLASSES`參數(shù)路徑
      • ii) 修改`__C.TRAIN.ANNOT_PATH`和`__C.TEST.ANNOT_PATH`參數(shù)路徑
      • iii) `__C.YOLO.ORIGINAL_WEIGHT`和`__C.YOLO.DEMO_WEIGHT`
      • iv) 清理舊的權(quán)重文件
    • 3、開(kāi)始訓(xùn)練
    • 4、測(cè)試權(quán)重文件
    • • i) 修改測(cè)試權(quán)重路徑
      • ii) 執(zhí)行`python evaluate.py`測(cè)試測(cè)試集
      • iii) 執(zhí)行`python main.py -na`生成測(cè)試報(bào)告
      • iv) 運(yùn)行`video_demo.py`查看識(shí)別效果

前言

圖片啥的都準(zhǔn)備好了，也將YOLO格式的標(biāo)注轉(zhuǎn)換成PascalVOC格式的標(biāo)注了，結(jié)果打開(kāi)D:\Yolov3_Tensorflow\tensorflow-yolov3\data\dataset里的voc_test.txt和voc_train一看，咋是這個(gè)格式的，讓人大吃一驚Σ(っ °Д °;)っ


根據(jù)我同事小王的提示，在YunYang1994/tensorflow-yolov3 Readme 翻譯里面有一句$ python scripts/voc_annotation.py --data_path /home/yang/test/VOC，會(huì)不會(huì)就是生成這倆文件的代碼？

訓(xùn)練流程

1、準(zhǔn)備好圖片和train.txt、test.txt

train.txt、test.txt的格式為這樣，與作者指定的格式一致，生成方法有兩種，第一種使用LabelImg標(biāo)定后生成的XML文件，運(yùn)行作者提供的指令$ python scripts/voc_annotation.py --data_path /home/yang/test/VOC生成，第二種為從YOLO的標(biāo)定文件直接生成，生成方法見(jiàn)此（如何將yolo的標(biāo)注（annotations）.txt 坐標(biāo)轉(zhuǎn)換成tensorflow-yolov3（YunYang1994）的.txt 標(biāo)注坐標(biāo)？）：

2、修改相關(guān)路徑

根據(jù) YunYang1994/tensorflow-yolov3 Readme 翻譯 中作者給出的訓(xùn)練自己的數(shù)據(jù)集流程，將訓(xùn)練VOC數(shù)據(jù)集的流程轉(zhuǎn)換成訓(xùn)練我們自己的數(shù)據(jù)集的流程：

i) 修改class.names文件以及__C.YOLO.CLASSES參數(shù)路徑

我在D:\20191031_tensorflow_yolov3\tensorflow-yolov3\data\classes路徑下新建class.names文件，并在里面寫(xiě)入一個(gè)類——object（因?yàn)槲覀冎挥米R(shí)別一個(gè)類），然后保存：


接下來(lái)打開(kāi)D:\20191031_tensorflow_yolov3\tensorflow-yolov3\core路徑下的config.py文件：

將__C.YOLO.CLASSES路徑參數(shù)修改成我們剛才創(chuàng)建的class.names文件路徑，保存：

ii) 修改__C.TRAIN.ANNOT_PATH和__C.TEST.ANNOT_PATH參數(shù)路徑

還是在config.py文件里，我們將這倆參數(shù)修改成我們train.txt和test.txt的文件路徑。我想了想，還是把我的train.txt和test.txt文件放到作者原路徑下算了，方便一點(diǎn)：



以后的步驟就是，train.txt和test.txt文件在外部生成，生成好后再扔進(jìn)去。文件的上級(jí)有數(shù)據(jù)集名以及日期，不怕跟其他數(shù)據(jù)集混淆。
然后修改train.txt和test.txt的文件路徑：

iii) __C.YOLO.ORIGINAL_WEIGHT和__C.YOLO.DEMO_WEIGHT

另外，我們還看到了__C.YOLO.ORIGINAL_WEIGHT = "./checkpoint/yolov3_coco.ckpt"參數(shù)和__C.YOLO.DEMO_WEIGHT = "./checkpoint/yolov3_coco_demo.ckpt"這兩個(gè)參數(shù)，按ctrl+shift+f查看__C.YOLO.ORIGINAL_WEIGHT：

再查看org_weights_path：

查看__C.YOLO.DEMO_WEIGHT：

再查看cur_weights_path：

猜測(cè)__C.YOLO.ORIGINAL_WEIGHT是convert_weights.py轉(zhuǎn)換權(quán)重文件的源文件，__C.YOLO.DEMO_WEIGHT是轉(zhuǎn)換后生成的目標(biāo)權(quán)重文件（用于將COCO權(quán)重文件轉(zhuǎn)換后生成預(yù)訓(xùn)練模型，__C.YOLO.DEMO_WEIGHT就是預(yù)訓(xùn)練模型，COCO權(quán)重文件（__C.YOLO.ORIGINAL_WEIGHT）如果不轉(zhuǎn)換則只能用于識(shí)別）。

所以，我們訓(xùn)練之前需要將COCO權(quán)重轉(zhuǎn)換成預(yù)訓(xùn)練模型，作者給出的轉(zhuǎn)換指令為：

python convert_weight.py --train_from_coco

于是我把以前成功轉(zhuǎn)換的COCO預(yù)訓(xùn)練模型刪除，重新運(yùn)行該指令，發(fā)現(xiàn)出錯(cuò)：

經(jīng)查，發(fā)現(xiàn)是checkpoint文件夾位置錯(cuò)了，本來(lái)應(yīng)該放在tensorflow-yolov3根目錄下，不知怎么搞到core文件夾里了（可能是鼠標(biāo)點(diǎn)擊不小心拖進(jìn)去了！）


把它重新搞出來(lái)就好了。
然后重新執(zhí)行python convert_weight.py --train_from_coco，就能正常生成了：

iv) 清理舊的權(quán)重文件

訓(xùn)練開(kāi)始后權(quán)重文件會(huì)生成在checkpoint，查看該目錄是否有之前訓(xùn)練留下的權(quán)重文件，如果有就刪除或拷貝到其他文件夾，避免被直接覆蓋掉，我把以前訓(xùn)練VOC數(shù)據(jù)集生成的權(quán)重文件拷貝到了checkpoint目錄下的VOC_Weights_Files文件夾中：

3、開(kāi)始訓(xùn)練

運(yùn)行python train.py，不幸的是，又報(bào)錯(cuò)了：

看起來(lái)像是程序?qū)⑽募械目崭癞?dāng)成分隔符讀取了，所以報(bào)錯(cuò)說(shuō)沒(méi)有f_cotton_g_top文件夾，但那只是我們的文件名：


建議將圖片序號(hào)改成純數(shù)字1、2、3、4、5…的，再重新生成train.txt和test.txt。

文件批量重命名參考：python 將指定路徑（目錄）下的圖片或文本文件按給定序號(hào)重新排序，并批量重命名 yolo、tensorflow數(shù)據(jù)集批量處理


弄完后發(fā)現(xiàn)一波小失誤，不該把圖片放在tensorflow文件夾外部的，這樣很容易出問(wèn)題，以后再改了。。。

再次執(zhí)行python train.py：

終于開(kāi)始正常訓(xùn)練了！
不過(guò)這個(gè)train loss怎么那么高，像是我把目標(biāo)坐標(biāo)上下顛倒了似的，不管了，先訓(xùn)練完測(cè)試一下再說(shuō)。

訓(xùn)練了大約三四個(gè)小時(shí)，訓(xùn)練完成：

4、測(cè)試權(quán)重文件

訓(xùn)練完之后只剩41-50的權(quán)重文件了，挑選42作為測(cè)試權(quán)重。（關(guān)于如何修改保留的權(quán)重文件數(shù)量參見(jiàn)：yunyang tensorfow-yolo3 訓(xùn)練時(shí)權(quán)重文件消失的原因和解決辦法（max_to_keep））

i) 修改測(cè)試權(quán)重路徑

編輯config.py中的__C.TEST.WEIGHT_FILE路徑參數(shù)，將其改成我們測(cè)試的權(quán)重文件名：

ii) 執(zhí)行python evaluate.py測(cè)試測(cè)試集

顯示報(bào)錯(cuò)：

因?yàn)橹拜敵霎?huà)框坐標(biāo)的時(shí)候，修改了draw_bbox()函數(shù)，向其增添了兩個(gè)參數(shù)，現(xiàn)在因?yàn)檫\(yùn)行evaluate.py文件單獨(dú)調(diào)用draw_bbox()，這兩個(gè)參數(shù)沒(méi)有傳遞，所以顯示出錯(cuò)。

嘗試將這倆參數(shù)設(shè)置成可選參數(shù)或none試試。

已經(jīng)將這倆參數(shù)默認(rèn)設(shè)置為None，同時(shí)給涉及這里倆參數(shù)的代碼包裹上if語(yǔ)句：



重新執(zhí)行python evaluate.py，能夠正常測(cè)試：

iii) 執(zhí)行python main.py -na生成測(cè)試報(bào)告

iv) 運(yùn)行video_demo.py查看識(shí)別效果

直接運(yùn)行video_demo.py，發(fā)現(xiàn)報(bào)錯(cuò)，錯(cuò)誤信息：

以前我們遇到過(guò)這個(gè)問(wèn)題，參考：YunYang1994/tensorflow-yolov3 IndexError: list index out of range 解決辦法
于是我們將num_classes參數(shù)改成了1（因?yàn)槲覀僣lass.names文件中只有一個(gè)類）：

but，改成1后，又報(bào)錯(cuò)了，顯示ValueError: cannot reshape array of size 43095 into shape (6)：

觀察np.concatenate()函數(shù)，可能問(wèn)題出在這：

concatenate()用法參考這里：Python numpy hstack() vstack() stack() dstack() vsplit() concatenate()函數(shù)用法和區(qū)別

查看pred_sbbox.shape、pred_mbbox.shape、pred_lbbox.shape的打印數(shù)據(jù)：

發(fā)現(xiàn)出現(xiàn)數(shù)字85，這肯定不對(duì)，還是5+80=85，按照我們?cè)O(shè)置的應(yīng)該是5+1=6才對(duì)，猜測(cè)可能是權(quán)重文件沒(méi)設(shè)置對(duì)：

順藤摸瓜，往上面找，發(fā)現(xiàn)了這個(gè)pb字樣，幡然醒悟：

我們沒(méi)有將權(quán)重轉(zhuǎn)換為.pb文件，.pb文件才是我們最終運(yùn)行所需要的，現(xiàn)在的.pb還是以前老的.pb。

直接執(zhí)行convert.py，報(bào)錯(cuò)，猜測(cè)不用運(yùn)行convert.py的，它只有在轉(zhuǎn)換COCO權(quán)重和生成預(yù)訓(xùn)練文件時(shí)用得到，現(xiàn)在我們已經(jīng)有權(quán)重文件了，所以直接運(yùn)行freeze_graph.py將我們的權(quán)重文件轉(zhuǎn)換成.pb文件即可：

嘗試運(yùn)行freeze_graph.py，先修改其中的ckpt_file：

運(yùn)行freeze_graph.py：
運(yùn)行成功，并且可以看到.pb文件更新了：

再次運(yùn)行video_demo.py，終于不報(bào)錯(cuò)能夠正常識(shí)別了，但是識(shí)別效果老差，是不是過(guò)擬合了？

看了老久代碼，實(shí)在找不出問(wèn)題出在哪兒，于是干脆自己照著evaluate.py重寫(xiě)一個(gè)算了，重寫(xiě)后執(zhí)行，發(fā)現(xiàn)效果不錯(cuò)，

具體代碼參見(jiàn)：如何使用yunyang tensorflow-yolov3訓(xùn)練自己的數(shù)據(jù)集并使用 Intel realsense D435 傳輸視頻流應(yīng)用于實(shí)時(shí)檢測(cè)？

那原因出在哪兒？出在video_demo.py上？反正我沒(méi)仔細(xì)看它，看也看不懂。。。。

最后執(zhí)行自己重寫(xiě)的dontla_evaluate_detect.py效果：

可以說(shuō)，還行。

下一步，就是要解決如何使用指定序列號(hào)調(diào)用Intel Realsense攝像頭和多線程調(diào)用的還有深度檢測(cè)區(qū)域采樣平均去除黑洞的問(wèn)題了。

參考文章1：YunYang1994/tensorflow-yolov3 Readme 翻譯

參考文章2：如何使用yunyang tensorflow-yolov3訓(xùn)練自己的數(shù)據(jù)集并使用 Intel realsense D435 傳輸視頻流應(yīng)用于實(shí)時(shí)檢測(cè)？

總結(jié)

以上是生活随笔為你收集整理的YunYang1994/tensorflow-yolov3 训练自己的数据集的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)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。