Yolov1-手把手用自己的数据集训练自己的模型

￡神魔★判官ぃ 2023-10-04 16:58 8阅读 0赞

## TensorFlow下使用YOLOv1训练自己的数据集+测试自己的模型 ##

### 一. 前期准备 ###

#### 环境：（用cpu跑的） ####

win10 + python3.6.8 + tensorflow2.4.1+pycharm

ps：本来打算用tensflow-gpu 1.4.2运行的，但是该代码是2.xx版本的tensflow,需要安装tensflow-gpu 2.x.版本，以及cuda 11.0版本的 ，由于本人电脑比较差，最高cuda安装到8.0版本，又不想升级显卡驱动，所以用cpu跑的。

**YOLOv1代码：**[https://e.coding.net/xucancan1/yolov1\_tensorflow/xucc1617608769.git][https_e.coding.net_xucancan1_yolov1_tensorflow_xucc1617608769.git]

#### 1.1准备自己要训练的图片 ####

![20210913163249505.png][]

**first** 在data文件夹中创建一个myDataSet文件夹来保存爬取的图片，修改 pachong.py文件的保存地址，运行pachong.py文件，爬虫完后然后从myDataSet文件夹中挑选出符合自己数据集（比如我想训练只检测手机，所以挑选带手机的图片）的图片，删除不符合的图片

**second** 再接着 运行SelectSize.py文件，继续筛选文件

**last** 最后运行graph\_rename.py文件，给上述筛选的文件命名，得到最终的原图片

我本人在网上爬取的图片：爬取代码以及其他代码如下：

[GitHub - xucancan1617608769/yolov1][GitHub - xucancan1617608769_yolov1]

#### 1.2 数据集准备 ####

在Yolo\_tensorflow\\data\\pascal\_voc\\VOCdevkit\\VOC2007路径下，创建如下文件夹（ps:我的文件夹中已经创好了）

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5peg5bC955qE5rKJ6buY_size_20_color_FFFFFF_t_70_g_se_x_16][]

将1.1中data文件夹中的图片全部copy到此路径下的JPEGImages文件夹中,然后在ImageSets文夹下创建Main文件夹，接着用**labelImg工具**对JPEGImages文件夹的图片**进行**数据标记**保存到Annotations文件夹下**

工具：LabelImg 链接：链接：https://pan.baidu.com/s/1qwPnIx-T\_-Kl1CawtE4M9g  
提取码：8cb2

labelImg工具的使用参考链接：[使用LabelImg标注图片 - AiFly - 博客园][LabelImg_ - AiFly -]

**像这样： ![20210913171444441.png][]**

运行conert\_to\_txt.py文件**生成ImageSets/Main/文件夹下的4个文件。（layout文件夹不用管）**

**像这样：**

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5peg5bC955qE5rKJ6buY_size_20_color_FFFFFF_t_70_g_se_x_16 1][]

运行完后Main文件夹会生成yolov1所需的train.txt,val.txt,test.txt,trainval.txt

至此，自己要训练的数据集已准备完毕

### 二.修改配置 ###

**①修改 ..\\yolo\_tensorflow\\yolo\\config.py文件 如下**

CLASSES = ['aeroplane', 'bicycle', 'bird', 'boat', 'bottle', 'bus',
                'car', 'cat', 'chair', 'cow', 'diningtable', 'dog', 'horse',
                'motorbike', 'person', 'pottedplant', 'sheep', 'sofa',
                'train', 'tvmonitor']

====>>CLASSES = \['phone', 'cat', 'dog', 'sheep'\] \# 修改为自己的类别

**② ..\\yolo\_tensorflow\\utils\\pascal\_voc.py文件**

#第30行
            labels = np.zeros(
                (self.batch_size, self.cell_size, self.cell_size, 9)) # 25修改为5+类别数
     
     #第129行
    
            label = np.zeros((self.cell_size, self.cell_size, 9)) # 修改为5+类别数

**开始训练，运行 train.py文件。**

![20190329093018697.png][]

### 三 .保存权重文件 测试 ###

#### ① 将..\\yolo\_tensorflow\\data\\pascal\_voc\\output\\2021\_09\_12\_10\_47\\目录下（2021\_09\_12\_10\_47文件夹在模型开始训练时自动生成）保存的最后的模型文件（下图1）复制到..\\yolo\_tensorflow\\data\\weights\\目录下（下图2），并在名称中间添加“.ckpt”重新命名。 ####

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5peg5bC955qE5rKJ6buY_size_9_color_FFFFFF_t_70_g_se_x_16][]

上图1

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5peg5bC955qE5rKJ6buY_size_16_color_FFFFFF_t_70_g_se_x_16][]

上图2

#### ② 修改..\\yolo\_tensorflow\\test.py文件。 ####

将待测试图片放入..\\yolo\_tensorflow-master\\test\\目录下。

# 在189行的默认权重文件改为自己训练好权重的模型
    def main():
        parser = argparse.ArgumentParser()
        # parser.add_argument('--weights', default="YOLO_small.ckpt", type=str)
        parser.add_argument('--weights', default="yolo-15000.ckpt", type=str)
     
     
    # 将207行需要测试的图片名称修改为自己的图片名称
        # detect from image file
        imname = 'test/000004.jpg'
        detector.image_detector(imname)

#### ③ 运行test.py文件进行测试 ####

结果：

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5peg5bC955qE5rKJ6buY_size_20_color_FFFFFF_t_70_g_se_x_16 2][]

![201903291011268.png][]

### 四.结语 ###

整个流程按照步骤走了一遍，中间需要安装一些第三方安装包，比如tensorflow2.x.x版本，以及cv2,tf\_sim,最后结果不是很理想，定位存在很大误差，以后再更新改进。

[https_e.coding.net_xucancan1_yolov1_tensorflow_xucc1617608769.git]: https://e.coding.net/xucancan1/yolov1_tensorflow/xucc1617608769.git
[20210913163249505.png]: https://img-blog.csdnimg.cn/20210913163249505.png
[GitHub - xucancan1617608769_yolov1]: https://github.com/xucancan1617608769/yolov1.git
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5peg5bC955qE5rKJ6buY_size_20_color_FFFFFF_t_70_g_se_x_16]: https://img-blog.csdnimg.cn/20210913172313721.png?x-oss-process=image/watermark,type_ZHJvaWRzYW5zZmFsbGJhY2s,shadow_50,text_Q1NETiBA5peg5bC955qE5rKJ6buY,size_20,color_FFFFFF,t_70,g_se,x_16
[LabelImg_ - AiFly -]: https://www.cnblogs.com/softlin/p/13777042.html
[20210913171444441.png]: https://img-blog.csdnimg.cn/20210913171444441.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5peg5bC955qE5rKJ6buY_size_20_color_FFFFFF_t_70_g_se_x_16 1]: https://img-blog.csdnimg.cn/2021091317253659.png?x-oss-process=image/watermark,type_ZHJvaWRzYW5zZmFsbGJhY2s,shadow_50,text_Q1NETiBA5peg5bC955qE5rKJ6buY,size_20,color_FFFFFF,t_70,g_se,x_16
[20190329093018697.png]: https://img-blog.csdnimg.cn/20190329093018697.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5peg5bC955qE5rKJ6buY_size_9_color_FFFFFF_t_70_g_se_x_16]: https://img-blog.csdnimg.cn/20210913180558866.png?x-oss-process=image/watermark,type_ZHJvaWRzYW5zZmFsbGJhY2s,shadow_50,text_Q1NETiBA5peg5bC955qE5rKJ6buY,size_9,color_FFFFFF,t_70,g_se,x_16
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5peg5bC955qE5rKJ6buY_size_16_color_FFFFFF_t_70_g_se_x_16]: https://img-blog.csdnimg.cn/20210913180828951.png?x-oss-process=image/watermark,type_ZHJvaWRzYW5zZmFsbGJhY2s,shadow_50,text_Q1NETiBA5peg5bC955qE5rKJ6buY,size_16,color_FFFFFF,t_70,g_se,x_16
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5peg5bC955qE5rKJ6buY_size_20_color_FFFFFF_t_70_g_se_x_16 2]: https://img-blog.csdnimg.cn/2021091318174071.png?x-oss-process=image/watermark,type_ZHJvaWRzYW5zZmFsbGJhY2s,shadow_50,text_Q1NETiBA5peg5bC955qE5rKJ6buY,size_20,color_FFFFFF,t_70,g_se,x_16
[201903291011268.png]: https://img-blog.csdnimg.cn/201903291011268.png