Darknet图像训练的步骤

Darknet图像训练的步骤

Darknet图像训练的步骤

一、配置清单制作

1、创建yolo-voc.2.0.cfg的副本，并重命名为：yolo-obj.cfg

2、更改内容：batch=64

3、更改内容：subdivisions=8

4、更改classes=20 中的20为你将要训练的分类数量。

5、更改filters=125 中的125为 (classes+5)*5的值即：(classes+coords+1)*num。如：

[convolutional]

filters=35

[region]

classes=2

6、在相对目录./data/下创建obj.names文本文件，并依次按索引输入一行一个类别名称。

7、在相对目录./data/下创建obj.data文本文件，并录入如下内容，其中classes表示分类数量。

classes= 2

train = data/train.txt

valid = data/test.txt

names = data/obj.names

backup = backup/

8、将要训练的.jpg文件放在目录./data/obj/下。

9、给每个.jpg文件创建一个同名的.txt文件，并按如下格式一行记录一个类别：<类别索引:从0开始>
<类别中心相对坐标x:该类别框图的中心坐标x/整张图像宽度> <类别中心相对坐标y:该类别框图的中心坐标y/整张图像高度>
<类别相对宽度：该类别框图宽度/整张图像宽度><类别相对宽度：该类别框图宽度/整张图像高度>：

= /

= /

1 0.716797 0.395833 0.216406 0.147222

0 0.687109 0.379167 0.255469 0.158333

1 0.420312 0.395833 0.140625 0.166667

10、在目录./data/下创建train.txt文件，一行一个要训练的jpg文件名，路径写相对主程序所在路径：

data/obj/img1.jpg

data/obj/img2.jpg

data/obj/img3.jpg

11、下载卷积层的预训练模型到./
(程序同目录下)：http://pjreddie.com/media/files/darknet19_448.conv.23

二、开始训练：

1、开始训练，使用命令：darknet.exe detector train data/obj.data yolo-obj.cfg
darknet19_448.conv.23

2、训练超过1000次迭代后，中途也可以停止训练，继续训练请使用还原点开始： darknet.exe detector train
data/obj.data yolo-obj.cfg yolo-obj_1000.weights

3、你也可以在45000次迭代前，取得结果。

三、何时停止：

1、当训练过程中，平均Loss(error)不再减少时(Loss越小效果越好)，可以停止。如下例中的9002表示当前已迭代次数，0.060730
avg表示Loss。

Region Avg IOU: 0.798363, Class: 0.893232, Obj: 0.700808, No Obj: 0.004567,
Avg Recall: 1.000000, count: 8 Region Avg IOU: 0.800677, Class: 0.892181, Obj:
0.701590, No Obj: 0.004574, Avg Recall: 1.000000, count: 8

9002: 0.211667, 0.060730 avg, 0.001000 rate, 3.868000 seconds, 576128 images
Loaded: 0.000000 seconds

2、训练开始后，从产生的backup目录下的多个还原点中，挑一个最好的。方法是：

（1）在obj.data文件中，修改valid=valid.txt（格式和train.txt一样），然后使用下列命令检测每个训练结果的效果。

• darknet.exe detector recall data/obj.data yolo-obj.cfg backup\yolo-obj_7000.weights
• darknet.exe detector recall data/obj.data yolo-obj.cfg backup\yolo-obj_8000.weights
• darknet.exe detector recall data/obj.data yolo-obj.cfg backup\yolo-obj_9000.weights

（2）对比输出的结果中IOU（精度，越大越好，比较这个），Recall（也算精度，也是越大越好）。

 7586 7612 7689 RPs/Img: 68.23 IOU: 77.86% Recall:99.00%

（3）测试检测效果： darknet.exe detector test data/obj.data yolo-obj.cfg yolo-
obj_8000.weights

四、提升效果：

1、在训练前，设置cfg文件中random=1，它可以让不同分辫率的图片训练后产生更高的精度。

2、训练的图片最好能从多个方面提供不同的：缩放大小、旋转角度、光照强弱。

3、提高网格分辩率，方法是：设置cfg文件中height=416和weight=416中相应值为(32的倍数)，可以适当提高，用来检测小物体。

4、如果出现Out of memory的错误，可以尝试修改cfg中的subdivisions=16为32或64。