我主要是使用YOLO V3训练粮虫的自制数据集，该文主要是记录自己在复现YOLO V3中的疑问和程序运行的问题，并记录一下。


目录

  • 1.制作数据集时，图片是否非要按照程序中要求的416*416进行制作？
  • 2.YOLO V3中train.py文件中的main函数中，input_shape=(41.6,416)，自己的数据集的图片大小不是这个，需要修改吗？
  • 3.训练模型完成，最后模型保存时出现错误
  • 4.在运行train.py训练自己的数据集时，第一次运行报错，报错信息为：Could not create cudnn handle: CUDNN_STATUS_ALLOC_FAILED
  • 5.继上面的问题之后，报错信息failed to allocate ***G (**bytes) from device:CUDA_ERROR_OUT_OF_MEMORY
  • 6.训练之后，需要进行模型验证，步骤如下
  • 总结


1.制作数据集时，图片是否非要按照程序中要求的416*416进行制作？

根据我目前的自制数据集并程序运行来看，不需要图片按照特定大小，但是数据集中的图片大小尽量一致，图片大小不要太大，不然会造成运行速度慢，我的数据集中图片大小为640*480.

2.YOLO V3中train.py文件中的main函数中，input_shape=(41.6,416)，自己的数据集的图片大小不是这个，需要修改吗？

不需要修改，数据集制作好了就可以跑train.py进行训练了，我使用的train.py不是原版程序中的,使用的是，这个博主提供的文件，亲测能用，但是需要进行修改，后面会进行修改。

3.训练模型完成，最后模型保存时出现错误

一定要在工程目录中创建logs文件夹，在文件加中创建000文件夹，不然花了好多训练的模型，最后保存时出现这个错误，白白浪费了时间，所以在训练前，一定要提前创建好模型保存的文件夹。

pycharm的yoloV5环境如何继承以前的Python库 pycharm运行yolov3_深度学习

4.在运行train.py训练自己的数据集时，第一次运行报错，报错信息为：Could not create cudnn handle: CUDNN_STATUS_ALLOC_FAILED

这是使用keras-gpu版本训练时会遇见的问题，使用cpu进行训练时，不会出现这个问题，但是训练的速度很慢，所以根据查找的资料加上，就能解决这个问题了，在train.py开头的位置加上,加上之后如下图所示。

import os
import tensorflow as tf
os.environ["CUDA_VISIBLE_DEVICES"] = "1"
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.333)
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))

pycharm的yoloV5环境如何继承以前的Python库 pycharm运行yolov3_python_02

5.继上面的问题之后，报错信息failed to allocate ***G (**bytes) from device:CUDA_ERROR_OUT_OF_MEMORY

该问题CUDA_ERROR_OUT_OF_MEMORY出现，代表你的电脑显卡的内存不够，需要你调整batch_size的参数，源代码中batch_size = 32，一直向下调整，最终batch_size = 5时，程序就可以正常运行了，我的 epochs=50，原来是500，我刚开始训练过，发现val_loss下降的很快，所以我就改小到50，但是最终的效果还可以，数据集大小总共为252，测试集和训练集按照0.1和0.9的比例进行分配。

6.训练之后，需要进行模型验证，步骤如下

  1. 经过长时间的模型训练，最终在logs/000/文件夹中生成一个trained_weights.h5，需要把这个文件挪到model_data中，并修改名字为yolo.h5.如下图所示：
  2. 在yolo_video.py程序的开头添加
import os
import tensorflow as tf
os.environ["CUDA_VISIBLE_DEVICES"] = "1"
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.333)
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))
  1. 在terminal上输入python yolo_video.py --image,程序会自动运行，中间会有一些FutureWarning，这个不用理会，如下图所示

    4.根据提示，输入图片路径，有两种方式，分别下图所示，然后会出现预测的结果


    最终的预测结果，如下图所示。

总结

使用yolo v3训练自己的数据集，目前所遇到的问题已经一一解决，并记录下来，后面还需要继续调整网络结构，使更加符合粮虫的小目标识别目的。