【YOLOv3初探】之 keras-yolov3训练自己数据集

た入场券 2022-04-03 12:09 534阅读 0赞

# 写在前面 #

如何使用官方数据集参看上一篇文章《【YOLO初探】之 使用官方数据集做目标分类》

传送门：[https://blog.csdn.net/plSong\_CSDN/article/details/85108256][https_blog.csdn.net_plSong_CSDN_article_details_85108256]

这里，笔者使用了260张训练数据，完成了人脸中“眼睛”、“鼻子”、“嘴巴”的检测，可以成功检测出，虽效果不是很好，但是起码方法是对的，特在此与与大家分享、在文章末尾完全共享了自己的训练结果！

大家还是先看一下效果吧，宅男女神上场~~~

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70][] 原图

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70 1][] 效果图

# 第一步：准备自己数据集 #

当然是准备一下自己的原材料。

1）下载VOC2007数据集，注意，请把文件夹里面的所有文件，注意是文件，一个不留的删除，只保留文件夹框架，可以完成后可以检查一下，文件夹的大小是不是0。

2）将只保留文件夹的VOC2007数据集放在keras-yolo3-master文件夹下一级目录下，这样可以不用修改下面程序的路径。如下，

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70 2][]

3）将自己所有的图片拷贝到”……\\keras-yolo3-master\\VOCdevkit\\VOC2007\\JPEGImages“文件目录下，最好都是jpg格式，至于为什么\*（参看：[https://blog.csdn.net/plSong\_CSDN/article/details/86134407][https_blog.csdn.net_plSong_CSDN_article_details_86134407]）

好了，下一步就可以进行图片的标记工作了。

# 第二步：数据标记 #

1）准备标记工具。使用LabelImg ，大家注意，需要把”“data\\predefined\_classes.txt”文件中的内容修改为自己类比，如下，我这里是三类。

![20181222093119947.png][]

2）打开abelImg.exe，如果打开失败，可以尝试“管理员身份运行”。选择“Open Dir”浏览到”……\\keras-yolo3-master\\VOCdevkit\\VOC2007\\JPEGImages“。如下，

![20181222093334963.png][]

标记时常用的几个快捷键，“w”：激活标记框；“d”：下一张图片；“a”：上一张图片。

标记完成后，将生成的“XML”文件，拷贝到“……\\keras-yolo3-master\\VOCdevkit\\VOC2007\\Annotations”中。

3）将“test.py”文件拷贝到“……\\keras-yolo3-master\\VOCdevkit\\VOC2007”，运行，在“……\\keras-yolo3-master\\VOCdevkit\\VOC2007\\ImageSets\\Main”文件夹下，自动生成生成test.txt、train.txt、trainval.txt、val.txt文件

--------------------

# 第三步：生成yolo3所需的train.txt,val.txt,test.txt #

运行voc\_annotation.py文件，注意在训练自己的数据集时，需要将里面的classes换成自己的，例如，“classes = \["eye", "nose", "mouth"\]”，其他的不需要改变。

在“……\\keras-yolo3-master\\目录下生成的三个以“2007\_”打头的txt文件，手动删掉“2007\_”。

--------------------

# ** 第四步：修改参数文件yolo3.cfg** #

**大家注意，需要修改的地方一共是三处，每一处都要修改三个地方。**

filters：3\*（5+len（classes））；

classes: len(classes) = 3，这里是"eye", "nose", "mouth"三类

random：改为0

[convolutional]
    size=1
    stride=1
    pad=1
    filters=24#这里
    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=3#这里
    num=9
    jitter=.3
    ignore_thresh = .5
    truth_thresh = 1
    random=0#这里

--------------------

# 第五步：修改model\_data #

修改“……\\keras-yolo3-master\\model\_data”目录下的“coco\_classes.txt、voc\_classes.txt”这两个文件，将自己类别填入进去。

# 第六步：开始训练 #

在“……\\keras-yolo3-master”建一个“\\keras-yolo3-master\\logs\\000”文件夹，用来存放训练完成的权重文件

原始的batch\_size = 10，我这里显存不够，会失败，我是修改到了batch\_size = 2，epochs=200，大概用了6~7小时完成训练；

loss在20左右，

# 第七步：测试 #

1）将训练完成的权重文件，D:\\cv\_project\\Fivesenses\\keras-yolo3-master\\logs\\000目录下的trained\_weights.h5，修改名称为“yolo.h5”，拷贝到“……\\keras-yolo3-master\\model\_data”目录下。

2）在“……\\keras-yolo3-master\\”目录下放一个测试图片，运行yolo.py,会提示输入图片，

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70 3][]

3）运行yolo\_video.py，可以调用摄像头进行测试，我这边效果不是很好，可能是处理的速度的问题，后续在进行研究。

# 最后 #

资源下载地址：

第一部分：[https://download.csdn.net/download/plsong\_csdn/10868634][https_download.csdn.net_download_plsong_csdn_10868634]

第二部分：[https://download.csdn.net/download/plsong\_csdn/10868639][https_download.csdn.net_download_plsong_csdn_10868639]

第三部分：[https://download.csdn.net/download/plsong\_csdn/10868657][https_download.csdn.net_download_plsong_csdn_10868657]

说明，上面的资源“第一部分”“第二部分”就可以直接运行，“第三部分”是自己训练数据时候需要的内容。

完整的截图：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70 4][]

本人也是刚刚开始学习yolo，欢迎大家交流学习

--------------------

★finished by，songpl，2018.12.22.今天冬至

[https_blog.csdn.net_plSong_CSDN_article_details_85108256]: https://blog.csdn.net/plSong_CSDN/article/details/85108256
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70]: /images/20220403/06bb7150ff6f482fadb3525a2ef22bcc.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70 1]: /images/20220403/e3fd4ceb87774e69a0cbfc441faa8b12.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70 2]: /images/20220403/e28f81685db445b38f632cfb8a94b8db.png
[https_blog.csdn.net_plSong_CSDN_article_details_86134407]: https://blog.csdn.net/plSong_CSDN/article/details/86134407
[20181222093119947.png]: /images/20220403/2957a9b520734a2993b740b909b1e63d.png
[20181222093334963.png]: /images/20220403/571955caea254cefa9f8d051ef0071cd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70 3]: /images/20220403/356ea1f0150c4f348a56524afca40b65.png
[https_download.csdn.net_download_plsong_csdn_10868634]: https://download.csdn.net/download/plsong_csdn/10868634
[https_download.csdn.net_download_plsong_csdn_10868639]: https://download.csdn.net/download/plsong_csdn/10868639
[https_download.csdn.net_download_plsong_csdn_10868657]: https://download.csdn.net/download/plsong_csdn/10868657
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3BsU29uZ19DU0RO_size_16_color_FFFFFF_t_70 4]: /images/20220403/7b7f11dcf73147f29b42700764456e19.png