Ubuntu18.04下实现Yolov3对象检测

小灰灰 2023-06-26 10:35 8阅读 0赞

环境配置如下:

<table> 
 <thead> 
  <tr> 
   <th>系统配置</th> 
   <th>命令</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>Ubuntu：18.04</td> 
   <td>cat /etc/issue</td> 
  </tr> 
  <tr> 
   <td>python：2.7.15</td> 
   <td>python</td> 
  </tr> 
  <tr> 
   <td>OpenCV：3.2.0</td> 
   <td>pkg-config --modversion opencv</td> 
  </tr> 
 </tbody> 
</table>

实现命令如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk_size_16_color_FFFFFF_t_70]  
Yolov3的原理另一篇博客中有所介绍，这里大致列下实现流程以及训练自己数据集过程：  
一、跑官方demo

1.  下载darknet,也就是YOLO：  
    git clone https://github.com/pjreddie/darknet  
    cd darknet  
    make  
    make成功后会显示如下信息：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk_size_16_color_FFFFFF_t_70 1]  
    make前后对应的工程文件夹下的内容也有所不同：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk_size_16_color_FFFFFF_t_70 2]
2.  编译完成之后，执行darknet  
    ![在这里插入图片描述][20191231112050148.png]
3.  下载预训练模型(yolov3.weights)  
    wget https://pjreddie.com/media/files/yolov3.weights
4.  运行demo  
    ./darknet detect cfg/yolov3.cfg backup/yolov3.weights data/dog.jpg  
    效果图：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk_size_16_color_FFFFFF_t_70 3]二、训练自己的数据集  
    1.由于使用的无GPU版本，第一步所有的makefile文件配置全部忽略。  
    2.创建数据集文件目录：  
    在/home/mtd/work\_project/darknet/data目录下新建文件夹MyData，在该文件夹新建如下三个文件夹：  
    ![在这里插入图片描述][2019123114160554.png]  
    Annotations—存放所有训练图片对应的xml文件  
    ImageSets—在该文件夹下新建Main文件夹，然后在Main下创建两个.txt文件(存放图片的名称，不带后缀)，分别为train.txt(训练集)和val.txt(验证集)  
    这两个txt文件中的图片名可以通过如下python代码Write\_ImgName.py生成，注意代码中的文件路径，文件路径不能为中文，有中文存在编译会报错。  
    JPEGImages—存放所有的训练图片  
    Write\_ImgName.py代码如下：

import os
    from os import listdir,getcwd
    from os.path import join
    if __name__=='__main__':
      source_folder='/home/.../darknet/data/MyData/JPEGImages'
      dest='/home/.../darknet/data/MyData/ImageSets/Main/train.txt'
      dest2='/home/.../darknet/data/MyData/ImageSets/Main/val.txt'
      file_list=os.listdir(source_folder)
      train_file=open(dest,'a')
      val_file=open(dest2,'a')
      for file_obj in file_list:
          file_path=os.path.join(source_folder,file_obj)
          file_name,file_extend=os.path.splitext(file_obj)
          file_num=int(file_name)
          if(file_num<40):
             train_file.write(file_name+'\n')
          else:
             val_file.write(file_name+'\n')
      train_file.close()
      val_file.close()
    print('Finishing')

1.  生成2.中对应的train.txt和val.txt，可通过上述python脚本生成：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk_size_16_color_FFFFFF_t_70 4]
2.  运行voc\_label.py生成2019\_train.txt和2019\_val.txt这两个文件。
3.  下载与训练权重：  
    wget https://pjreddie.com/media/files/darknet53.conv.74
4.  整理所有文件到对应的地方：  
    其实最终需要的文件只有\*.jpg/*.txt/2019\_train.txt/2019\_val.txt/darknet53.conv.74  
    在mytrain文件夹下新建文件夹obj和weights：  
    obj—存放*.jpg和\*.txt  
    weights—存放训练后的权重文件  
    7.修改对应文件  
    (1) ./data/voc.names:  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk_size_16_color_FFFFFF_t_70 5]  
    每一行对应一种类型，根据自己的情况自行修改  
    (2) 修改cfg/voc.data:  
    ![在这里插入图片描述][20200102154939703.png]  
    其中的classes/train/valid等根据自己的具体情况进行修改。  
    (3) cfg/yolov3-voc.cfg  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk_size_16_color_FFFFFF_t_70 6]下面三处也需要修改：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk_size_16_color_FFFFFF_t_70 7]  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk_size_16_color_FFFFFF_t_70 8]  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk_size_16_color_FFFFFF_t_70 9]  
    8.开始训练  
    ./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 | tee train\_yolov3-voc.log（linux下 保存训练日志log）  
    9、对训练模型进行测试  
    ./darknet detector test cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc\_200.weights voc/0002.jpg  
    yolov3-voc\_200.weights: 表示训练出来的权重文件  
    voc/0002.jpg: 表示测试图片的路径  
    10、生成预测结果  
    ./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc\_600.weights result  
    结果生成在results文件夹下  
    11、计算召回率(recall)  
    ./darknet detector recall cfg/voc.data cfg/yolo-voc.cfg backup/yolo-voc\_final.weights

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20191231105423229.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20191231105717576.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20200102095108867.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk,size_16,color_FFFFFF,t_70
[20191231112050148.png]: https://img-blog.csdnimg.cn/20191231112050148.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20191231113255547.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk,size_16,color_FFFFFF,t_70
[2019123114160554.png]: https://img-blog.csdnimg.cn/2019123114160554.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/2020010214144335.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk_size_16_color_FFFFFF_t_70 5]: https://img-blog.csdnimg.cn/20200102153237818.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk,size_16,color_FFFFFF,t_70
[20200102154939703.png]: https://img-blog.csdnimg.cn/20200102154939703.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk_size_16_color_FFFFFF_t_70 6]: https://img-blog.csdnimg.cn/20200102155644533.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk_size_16_color_FFFFFF_t_70 7]: https://img-blog.csdnimg.cn/20200102160430685.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk_size_16_color_FFFFFF_t_70 8]: https://img-blog.csdnimg.cn/20200102160716790.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk_size_16_color_FFFFFF_t_70 9]: https://img-blog.csdnimg.cn/20200102160940438.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpbmRhbXRk,size_16,color_FFFFFF,t_70