yolov3项目工程

一时失言乱红尘 2022-01-29 15:47 141阅读 0赞

# 1. 下载YOLOv3工程项目 #

git clone https://github.com/pjreddie/darknet  
    cd darknet

*  1
 *  2

# 2. 修改Makefile配置，使用GPU训练，修改如下： #

GPU=1 #如果使用GPU设置为1，CPU设置为0
    CUDNN=1  #如果使用CUDNN设置为1，否则为0
    OPENCV=0 #如果调用摄像头，还需要设置OPENCV为1，否则为0
    OPENMP=0  #如果使用OPENMP设置为1，否则为0
    DEBUG=0  #如果使用DEBUG设置为1，否则为0
    
    CC=gcc
    NVCC=/home/user/cuda-9.0/bin/nvcc   #NVCC=nvcc 修改为自己的路径
    AR=ar
    ARFLAGS=rcs
    OPTS=-Ofast
    LDFLAGS= -lm -pthread 
    COMMON= -Iinclude/ -Isrc/
    CFLAGS=-Wall -Wno-unused-result -Wno-unknown-pragmas -Wfatal-errors -fPIC
    ...
    ifeq ($(GPU), 1) 
    COMMON+= -DGPU -I/home/hebao/cuda-9.0/include/  #修改为自己的路径
    CFLAGS+= -DGPU
    LDFLAGS+= -L/home/hebao/cuda-9.0/lib64 -lcuda -lcudart -lcublas -lcurand  #修改为自己的路径
    endif

*  1
 *  2
 *  3
 *  4
 *  5
 *  6
 *  7
 *  8
 *  9
 *  10
 *  11
 *  12
 *  13
 *  14
 *  15
 *  16
 *  17
 *  18
 *  19
 *  20

保存完成后，在此路径下执行make，如果出现如下错误：

Loadingweights from yolo.weights...Done!
    CUDA Error:invalid device function
    darknet: ./src/cuda.c:21: check_error: Assertion `0' failed.
    Aborted (core dumped)

*  1
 *  2
 *  3
 *  4

这是因为配置文件Makefile中配置的GPU架构和本机GPU型号不一致导致的。更改前默认配置如下（不同版本可能有变）：

ARCH= -gencode arch=compute_30,code=sm_30 \
          -gencode arch=compute_35,code=sm_35 \
          -gencode arch=compute_50,code=[sm_50,compute_50] \
          -gencode arch=compute_52,code=[sm_52,compute_52]
    #      -gencode arch=compute_20,code=[sm_20,sm_21] \ This one is deprecated?
    # This is what I use, uncomment if you know your arch and want to specify
    # ARCH= -gencode arch=compute_52,code=compute_52

*  1
 *  2
 *  3
 *  4
 *  5
 *  6
 *  7

CUDA官方说明文档：[http://docs.nvidia.com/cuda/cuda-compiler-driver-nvcc/index.html\#virtual-architecture-feature-list][http_docs.nvidia.com_cuda_cuda-compiler-driver-nvcc_index.html_virtual-architecture-feature-list]

然后重新编译即可：  
![这里写图片描述][db7c8be70e4576f3e5fb72c747af27b4.png]

# 3. 准备训练数据集 #

按下列文件夹结构，将训练数据集放到各个文件夹下面，生成4个训练、测试和验证txt文件列表  
VOCdevkit  
—VOC2007  
——Annotations  
——ImageSets  
———Layout  
———Main  
———Segmentation  
——JPEGImages  
Annotations中是所有的xml文件  
JPEGImages中是所有的训练图片  
Main中是4个txt文件，其中test.txt是测试集，train.txt是训练集，val.txt是验证集，trainval.txt是训练和验证集。

## 3. 生成2007\_train.txt和2007\_val.txt文件 ##

下载voc\_label.py文件，将文件下载到VOCdevkit同级的路径下，生成训练和验证的文件列表  
wget [https://pjreddie.com/media/files/voc\_label.py][https_pjreddie.com_media_files_voc_label.py]

修改sets为训练样本集的名称
    sets=[('2007', 'train')]
    修改classes为训练样本集的类标签
    classes=[str(i) for i in range(10)]

*  1
 *  2
 *  3
 *  4

运行python voc\_label.py，生成2007\_train.txt训练文件列表。

# 4.下载Imagenet上预先训练的权重 #

wget https://pjreddie.com/media/files/darknet53.conv.74

*  1

# 5. 修改cfg/voc.data #

classes= 10  #classes为训练样本集的类别总数
    train  = /home/user/darknet/2007_train.txt  #train的路径为训练样本集所在的路径
    valid  = /home/user/darknet/2007_val.txt  #valid的路径为验证样本集所在的路径
    names = data/voc.names  #names的路径为data/voc.names文件所在的路径
    backup = backup

*  1
 *  2
 *  3
 *  4
 *  5

# 6. 在darknet文件夹下面新建文件夹backup #

# 7. 修改data/voc.name为样本集的标签名 #

*  1
 *  2
 *  3
 *  4
 *  5
 *  6
 *  7
 *  8
 *  9
 *  10
 *  11

*  1
 *  2
 *  3

# 8. 修改cfg/yolov3-voc.cfg #

关于cfg修改，以10类目标检测为例，主要有以下几处调整（蓝色标出）：

[net]
    # Testing            ### 测试模式                                          
    # batch=1
    # subdivisions=1
    # Training           ### 训练模式，每次前向的图片数目 = batch/subdivisions 
    batch=64
    subdivisions=16
    width=416            ### 网络的输入宽、高、通道数
    height=416
    channels=3
    momentum=0.9         ### 动量 
    decay=0.0005         ### 权重衰减
    angle=0
    saturation = 1.5     ### 饱和度
    exposure = 1.5       ### 曝光度 
    hue=.1               ### 色调
    learning_rate=0.001  ### 学习率 
    burn_in=1000         ### 学习率控制的参数
    max_batches = 50200  ### 迭代次数                                          
    policy=steps         ### 学习率策略 
    steps=40000,45000    ### 学习率变动步长 
    scales=.1,.1         ### 学习率变动因子  
    
    
    
    [convolutional]
    batch_normalize=1    ### BN
    filters=32           ### 卷积核数目
    size=3               ### 卷积核尺寸
    stride=1             ### 卷积核步长
    pad=1                ### pad
    activation=leaky     ### 激活函数
    
    ......
    
    [convolutional]
    size=1
    stride=1
    pad=1
    filters=45  #3*(10+4+1)
    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=10  #类别
    num=9
    jitter=.3
    ignore_thresh = .5
    truth_thresh = 1
    random=0  #1，如果显存很小，将random设置为0，关闭多尺度训练；
    ......
    
    [convolutional]
    size=1
    stride=1
    pad=1
    filters=45  #3*(10+4+1)
    activation=linear
    
    [yolo]
    mask = 3,4,5
    anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
    classes=10  #类别
    num=9
    jitter=.3
    ignore_thresh = .5
    truth_thresh = 1
    random=0  #1，如果显存很小，将random设置为0，关闭多尺度训练；
    ......
    
    [convolutional]
    size=1
    stride=1
    pad=1
    filters=45  #3*(10+4+1)
    activation=linear
    
    [yolo]
    mask = 0,1,2
    anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
    classes=10  #类别
    num=9
    jitter=.3  # 数据扩充的抖动操作
    ignore_thresh = .5  #文章中的阈值1
    truth_thresh = 1  #文章中的阈值2
    random=0  #1，如果显存很小，将random设置为0，关闭多尺度训练；

[http_docs.nvidia.com_cuda_cuda-compiler-driver-nvcc_index.html_virtual-architecture-feature-list]: http://docs.nvidia.com/cuda/cuda-compiler-driver-nvcc/index.html#virtual-architecture-feature-list
[db7c8be70e4576f3e5fb72c747af27b4.png]: http://www.pianshen.com/images/300/db7c8be70e4576f3e5fb72c747af27b4.png
[https_pjreddie.com_media_files_voc_label.py]: https://pjreddie.com/media/files/voc_label.py