YOLOv3训练自己的检测模型

软硬件环境

• Intel(R) Xeon(R) CPU E5-1607 v4 @ 3.10GHz
• ubuntu 18.04 64bit
• GTX 1070Ti 8G/32G
• darknet git version
• cuda 8.0
• opencv 3.4.3
• miniconda with python 3.7.1

前言

先说说我这的具体情况，需要检测的对象是老鼠，手上已经有的数据是图片以及图片中老鼠的坐标位置(x，y, width， height)。要做的就是利用这些信息，通过YOLOv3训练出老鼠的检测器，应用到实际的场景中去。

VOC数据集的组织结构

检测模型的训练依照VOC数据集的训练方法进行。首先来看看VOC数据集训练文件夹的目录结构

其中，

• Annotations : 这里存放所有的xml文件， 它的文件格式如下

<annotation>
    <folder>VOC2007</folder>
    <filename>1548339112.jpg</filename>
    <size>
        <width>1920</width>
        <height>1080</height>
        <depth>3</depth>
    </size>
    <object>
        <name>mouse</name>
        <pose>Unspecified</pose>
        <truncated>0</truncated>
        <difficult>0</difficult>
        <bndbox>
            <xmin>522</xmin>
            <ymin>629</ymin>
            <xmax>588</xmax>
            <ymax>699</ymax>
        </bndbox>
    </object>
</annotation>

size标签下的width和height是指图片的大小，object下的xmin、ymin、xmax、ymax则是物体的坐标信息，如果有多个物体，object标签对应会有多个。

• ImageSets : 关注Main文件夹下的train.txt、trainval.txt、val.txt和test.txt，train.txt必须，其它可以不要，它们的格式都是一样的，记录的是图片的文件名，不带扩展名，如下

1548339040
1548339112
1548339126
1548339138
1548339675
1548339682
1548339690
1548339698
1548339706
1548339712
1548339864
1548339870
1548339874
1548339880
1548339887
1548340230

• JPEGImages : 训练图片的存储位置

• labels : 这个文件夹下的内容可以通过脚本生成，一张图片对应一个txt文件，它的内容如下

0 0.2921875 0.6217592592592592 0.021875 0.05092592592592593

老鼠检测模型的训练步骤

既然已经有了图片已及老鼠对应的坐标信息，所以手动标注这一步就可以省略掉。整体的训练应该分成以下几步

• 根据坐标信息生成xml标注文件，一张图片对应一个xml文件
• 分别生成包含图片文件名信息的train.txt、val.txt、trainval.txt，test.txt
• 生成labels文件夹下的txt文件
• 修改配置文件data/voc.names、cfg/voc.data和cfg/yolov3-voc.cfg
• 开始训练

训练过程

生成Annotations下的xml文件

由于手头已经有了具体的坐标信息了，我把它们存储到了mysql数据库中，然后利用相应的图片及坐标信息生成对应的xml文件，代码存放在https://code.xugaoxiang.com/longjingtech/YOLOv3XmlGenerator

生成ImageSets/Main下的txt文件

以train.txt为例，其它的都一样，要处理之前，可以把训练的、校验的、测试的图片分别放在不同的文件夹下，这样可以大大方便脚本处理，具体情形需要你自行修改

# -*- coding: utf-8 -*-

"""
@author: Xu Gaoxiang
@license: Apache V2
@email: xugx.ai@gmail.com
@site: https://www.xugaoxiang.com
@software: PyCharm
@file: mainTxtGenerator.py
@time: 2019/1/25 17:57
"""

import os

with open('train.txt', 'a') as f:
    source_folder = 'VOC2007/JPEGImages'

    file_list = os.listdir(source_folder)

    for file_obj in file_list:
        print('file: {}'.format(file_obj))
        file_name, file_extend = os.path.splitext(file_obj)
        f.write(file_name + '\n')

生成label下txt文件

darknet工程下scripts目录下有个voc_label.py文件，我们通过修改它来实现，需要将它移动到darknet下运行

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

sets=[('2007', 'train'), ('2007', 'val'), ('2007', 'test')]

classes = ["mouse"]

def convert(size, box):
    dw = 1./(size[0])
    dh = 1./(size[1])
    x = (box[0] + box[1])/2.0 - 1
    y = (box[2] + box[3])/2.0 - 1
    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(year, image_id):
    in_file = open('VOCdevkit/VOC%s/Annotations/%s.xml'%(year, image_id))
    out_file = open('VOCdevkit/VOC%s/labels/%s.txt'%(year, image_id), 'w')
    tree=ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)

    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:
    if not os.path.exists('VOCdevkit/VOC%s/labels/'%(year)):
        os.makedirs('VOCdevkit/VOC%s/labels/'%(year))
    image_ids = open('VOCdevkit/VOC%s/ImageSets/Main/%s.txt'%(year, image_set)).read().strip().split()
    list_file = open('%s_%s.txt'%(year, image_set), 'w')
    for image_id in image_ids:
        list_file.write('%s/VOCdevkit/VOC%s/JPEGImages/%s.jpg\n'%(wd, year, image_id))
        convert_annotation(year, image_id)
    list_file.close()

os.system("cat 2007_train.txt 2007_val.txt > train.txt")

除此以外，在darknet根下生成了2007_train.txt等文件，内容是图片的完整路径

修改配置文件

data/voc.names存放的是检测对象的名称，如我这里的mouse，需要检测几个就写几个

cfg/voc.data内容如下，因为我只检测老鼠，所以classes=1，其它路径自行修改

classes= 1
train  = /home/longjing/Work/yolo3/darknet/2007_train.txt
valid  = /home/longjing/Work/yolo3/darknet/2007_val.txt
names = data/voc.names
backup = backup_mouse

cfg/yolov3-voc.cfg 主要修改classes，根据自己的硬件情况调整batch和subdivisions的值

开始训练

使用如下命令进行训练

cd darknet
wget https://pjreddie.com/media/files/darknet53.conv.74
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74

在这里我碰到了darknet: ./src/parser.c:312: parse_yolo: Assertion l.outputs == params.inputs failed. 的错误，解决的方法是修改cfg/yolov3-voc.cfg中的filters，将其值改为18，这个参考值来自网络，计算方法3*(classes+5)

小结

一般情况下，都是拿到包含某种待检测对象的图片，然后需要根据图片进行训练得到检测模型。这样的话，就需要手动标注，得到相应的坐标信息，生成xml文件，GUI标注工具labelImg就是干这样的事情。我上面的xml生成器其实就是干的labelImg的活。

参考资料

• https://xugaoxiang.com/2019/12/16/darknet-basic/
• https://pjreddie.com/darknet/yolo/