darknet YOLOv2安装及数据集训练

一、 YOLOv2安装使用

1. darknet YOLOv2安装

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

或到网址上下载darknet文件夹，解压后在darknet文件夹下执行make编译。

2. 预测模型权重下载

wget https://pjreddie.com/media/files/yolo.weights

或到网址上下载yolo.weights，放到darknet目录下。

3. 目标检测

./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg

预测过程大约需要15S，结果保存在darknet目录下predictions.jpg

二、 YOLOv2重新训练

1. 准备数据&&打标

数据包括训练数据和验证数据，所有数据需要把要识别的物体事先标注出来，标注工具推荐使用labelImg

labelImg下载地址打标的结果保存在xml文件中。

2. 建立训练和验证数据文件夹/提取图片名称

在darknet文件夹下建立4个文件夹----trainImage、validateImage、trainImageXML、validateImageXML，分别用来存放训练图片、验证图片、训练图片的xml标签、验证图片的xml标签。

在darknet文件夹下建立2个txt文件————trainImageId.txt和validateImageId.txt，分别用来存放训练图片和测试图片的名称（含后缀不包含目录）。  这一步可以在上边4个文件夹手动建立完成的基础上调用python脚本自动完成，createID.py下载地址：​​javascript:void(0)​​

把createdID.py文件放在darkent目录下直接运行就可以分别生成trainImageId.txt和validateImageId.txt

3. xml标签转换成txt/图片路径提取

训练需要把图片的xml格式标签转换成txt文件格式，并且需要把所有的训练和验证数据图片的路径提取到一个单独的txt文件里，供训练的时候读取，本步骤可以使用python脚本自动完成，trans.py下载地址​

下载完成之后把 trans.py 放到darknet目录下，需要把 trans.py 中classes分类的内容改成自己的分类之后再运行即可。

运行之后生成一系列文件，分别是：

XXX.txt——存放训练/验证图片的xml标签转换成的txt文件,自动生成的所有训练和验证的txt文件保存在对应的trainImage和validateImage文件夹下;

trainImagePath.txt/validateImagePath.txt——存放训练/验证图片的名称（包含后缀）和完整路径;

4. 修改配置文件

4.1 修改cfg/voc.data文件

voc.data是整个训练流程的引入文件，记录了训练的 classes（分类）、train（训练数据）、valid（验证数据）、names（训练模型）、backup（训练结果保存路径）。根据自己的情况分别做以下更改：

•    classes = N （N为自己的分类数量，有10类不同的对象，N = 10）
•    train = /home/XXX/darknet/trainImagePath.txt
•    valid = /home/XXX/darknet/validateImagePath.txt
•    names = data/voc.names (需要修改原voc.names文件中参数)
•    backup = backup （训练结果保存在darknet/backup/目录下）

4.2 修改data/voc.names文件

voc.names文件存放的是所有的分类，原始文件一共有20类，每类单独占一行，一共20行，根据自己的分类情况做更改，例如有3种分类，分别是class1、class2、class3，则更改voc.names文件为：

class1

class2

class3

4.3 修改cfg/yolo-voc.2.0.cfg文件

yolo-voc.2.0.cfg文件定义yolo训练使用的网络，有两处需要更改：

•    classes = N （N为自己的分类数）
•    最后一个convolutional层中 filters = (classes+ coords+ 1)* (NUM)，classes是分类数，coords和NUM在 voc.2.0.cfg中分别设定为4和5,所以如果有3个分类，则修改filters的值为40（（3+4+1）×5 =40 ）

4.4 下载预训练卷积权重文件darknet19_448.conv.23

在该卷积权重文件的基础上做进一步的参数调整，下载地址： ​​http://pjreddie.com/media/files/darknet19_448.conv.23​​

下载完成之后放在cfg文件夹目录下。

5. yolo训练

yolo默认训练会迭代45000次，训练之前可以根据自己的情况修改迭代次数，进入cfg/yolo_voc.2.0.cfg修改max_batches的值。

在darknet目录下执行训练命令：

./darknet detector train cfg/voc.data cfg/yolo-voc.2.0.cfg cfg/darknet19_448.conv.23

训练完成之后的权重文件保存在darknet/backup文件夹下。

6. 训练结果测试

运行以下命令执行测试：

./darknet detector test cfg/voc.data cfg/yolo-voc.2.0.cfg backup/yolo-voc_final.weights 01.jpg

7. 附

附 CreateID.py 和 trans.py 代码

CreateID.py:

# -*- coding: utf-8 -*-
import os;
import shutil;

def listname(path,idtxtpath):
filelist = os.listdir(path);  # 该文件夹下所有的文件（包括文件夹）
filelist.sort()
f = open(idtxtpath, 'w');
for files in filelist:  # 遍历所有文件
Olddir = os.path.join(path, files);  # 原来的文件路径
if os.path.isdir(Olddir):  # 如果是文件夹则跳过
continue;
f.write(files);
f.write('\n');
f.close();

savepath = os.getcwd()
imgidtxttrainpath = savepath+"/trainImageId.txt"
imgidtxtvalpath = savepath + "/validateImageId.txt"
listname(savepath + "/trainImage",imgidtxttrainpath)
listname(savepath + "/validateImage",imgidtxtvalpath)
print "trainImageId.txt && validateImageId.txt have been created!"

trans.py：

import xml.etree.ElementTree as ET
import pickle
import string
import os
import shutil
from os import listdir, getcwd
from os.path import join
import cv2

sets=[('2012', 'train')]

classes = ["class1","class2","class3","class4"]

def convert(size, box):
dw = 1./size[0]
dh = 1./size[1]
x = (box[0] + box[1])/2.0
y = (box[2] + box[3])/2.0
w = box[1] - box[0]
h = box[3] - box[2]
x = x*dw
w = w*dw
y = y*dh
h = h*dh
return (x,y,w,h)

def convert_annotation(image_id,flag,savepath):

if flag == 0:
in_file = open(savepath+'/trainImageXML/%s.xml' % (os.path.splitext(image_id)[0]))
out_file = open(savepath+'/trainImage/%s.txt' % (os.path.splitext(image_id)[0]), 'w')
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')

img = cv2.imread('./trainImage/'+str(image_id))
h = img.shape[0]
w = img.shape[1]

elif flag == 1:
in_file = open(savepath+'/validateImageXML/%s.xml' % (os.path.splitext(image_id)[0]))
out_file = open(savepath+'/validateImage/%s.txt' % (os.path.splitext(image_id)[0]), 'w')

tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')

img = cv2.imread('./validateImage/' + str(image_id))
h = img.shape[0]
w = img.shape[1]

for obj in root.iter('object'):
difficult = obj.find('difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
bb = convert((w,h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')

wd = getcwd()

for year, image_set in sets:
savepath = os.getcwd();
idtxt = savepath + "/validateImageId.txt";
pathtxt = savepath + "/validateImagePath.txt";
image_ids = open(idtxt).read().strip().split()
list_file = open(pathtxt, 'w')
s = '\xef\xbb\xbf'
for image_id in image_ids:
nPos = image_id.find(s)
if nPos >= 0:
image_id = image_id[3:]
list_file.write('%s/validateImage/%s\n' % (wd, image_id))
print(image_id)
convert_annotation(image_id, 1, savepath)
list_file.close()

idtxt = savepath + "/trainImageId.txt";
pathtxt = savepath + "/trainImagePath.txt" ;
image_ids = open(idtxt).read().strip().split()
list_file = open(pathtxt, 'w')
s = '\xef\xbb\xbf'
for image_id in image_ids:
nPos = image_id.find(s)
if nPos >= 0:
image_id = image_id[3:]
list_file.write('%s/trainImage/%s\n'%(wd,image_id))
print(image_id)
convert_annotation(image_id,0,savepath)
list_file.close()