yolo3 训练 代码 python yolov3训练流程

YOLOv3使用过程

• 一、用训练好的模型进行预测：Detection Using A Pre-Trained Model

YOLOv3（you only look once ，实时目标检测系统）的官方网站为：

https://pjreddie.com/darknet/yolo/。

本文主要根据该网站的指示进行操作

系统：Ubuntu18.04

一、用训练好的模型进行预测：Detection Using A Pre-Trained Model

1、下载程序，打开文件夹，配置makefile文件，进行编译：

git clone https://github.com/pjreddie/darknet 也可以通过github网页进行下载：下载的文件夹为darknet-master

进入darknet（master）文件夹，找到makefile文件

打开makefile文件

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
    #根据自己的GPU配置，主要修改后面的数子，根据NVIDIA的显卡计算力
    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?
   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

修改好后，编译文件（本次不采用GPU，不用opencv）

make -j4 #（4线程编译，根据自己的CPU）

编译结果：

生成darknet可执行文件：

如果编译出错，或者需要重新配置编译：

make clean
make

2、下载训练好的权重文件（237M）
在darknet文件夹下：

wget https://pjreddie.com/media/files/yolov3.weights

3、进行预测：

在下载的工程文件夹中给我们准备好了一些测试数据：

data文件夹下：图片和标签

cfg文件夹下：yolov3配置文件和训练网络的数据配置

打开yolov3.cfg，注释Train下的batch、subdivision参数，取消注释Test下的相同参数

修改好后运行：

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

输出：

生成的预测图片：

如果编译时采用opencv，则会自动弹出窗口。

4、多张图片预测：
在命令中省去图片路径：

./darknet detect cfg/yolov3.cfg yolov3.weights

会提示输入图片路径，可以进行多图预测：

ctrl+C停止运行程序