摘要：本文將介紹如何使用其他數(shù)據(jù)集重新訓練模型，文章將會詳細介紹每一步。下載數(shù)據(jù)集我們將使用數(shù)據(jù)集訓練我們的模型，該數(shù)據(jù)集可以用來做圖像分類目標檢測圖像分割。模型訓練完成后，權重文件保存路徑。

YOLO目標檢測快速上手這篇文章我們通過簡短的代碼就實現(xiàn)了一個視頻目標檢測功能。本文將介紹如何使用其他數(shù)據(jù)集重新訓練YOLO模型，文章將會詳細介紹每一步。

我們將使用Pascal VOC數(shù)據(jù)集訓練我們的模型，該數(shù)據(jù)集可以用來做圖像分類、目標檢測、圖像分割。
下載并解壓文件后，我們介紹下相關文件的作用。

“Annotations”文件夾：用于存放圖片描述，文件格式為.xml，具體內容如下圖所示：

如圖所示，文件保存了圖片文件名，尺寸，標注，坐標，是否分割等信息。

“ImageSets”文件夾：保存了不同用途的圖片名字列表，文件格式是.txt。

“l(fā)ayout”文件夾：保存具有人體部位的圖片名字列表。
“main”文件夾：保存用于圖像物體識別的圖片名字列表。
“segmenttions”文件夾：保存用于圖像分割的圖片名字列表。
因為本次項目使用“main”文件夾，所以我們再詳細看下：

文件夾一共有20個分類的文件，通過文件名字我想大家肯定也知道作用了。這里介紹下文件里的正負數(shù)代表正負樣本，如：

“JPEGImages”文件夾：保存全部圖片源文件。

這里我們要留意的是圖片名字，以后我們在自己創(chuàng)建數(shù)據(jù)集的時候，最好也參考此命名方式。

“SegmentationClass”，“SegmentationObject”保存用于圖像分割的源圖片，兩者區(qū)別如圖所示：

標簽的結構是四維分別是("類別"，“中心點x坐標”，“中心點y”坐標，“圖片寬度”，“圖片高度”)，其實就是上面所說的圖片xml文件中的內容。我們可以通過官方提供的python文件來執(zhí)行此操作。

# 獲取py文件
wget https://pjreddie.com/media/files/voc_label.py

執(zhí)行此文件之前留意下相關路徑是否正確

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 = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]


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(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]) + "
")

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
"%(wd, year, image_id))
        convert_annotation(year, image_id)
    list_file.close()

執(zhí)行py文件：

python voc_label.py

執(zhí)行成功后會生成一個label文件夾和三個txt文件，分別是“2007_train.txt”,"2007_test.txt","2007_val.txt"（我只下載了2007的數(shù)據(jù)集），文件保存的是對應功能的全部圖片路徑：

label文件夾內文件格式：

分別是：("類別"，“中心點x坐標”，“中心點y”坐標，“圖片寬度”，“圖片高度”)

打開darknet/cfg/voc.data,修改“train”，“valid”文件路徑。

“classes”：數(shù)據(jù)集中圖片分類數(shù)量。

“train”：用于訓練的圖片數(shù)據(jù)集絕對路徑。

“valid”：用于驗證的圖片數(shù)據(jù)集絕對路徑。

“names”：數(shù)據(jù)集中圖片分類名字，如：“dog”，“person”等。

“backup”：模型訓練完成后，權重文件保存路徑。

首先下載YOLOv3模型：

wget https://pjreddie.com/media/files/darknet53.conv.74

訓練之前，我們先看下yolov3-voc.cfg文件里都是什么：

[net]
# Testing
# batch=1
# subdivisions=1 

# 模型訓練模式
Training 
# batch_size
batch=64
# 用于進一步分割batch_size,分割后的batch_size大小為：batch_size/subdivisions
subdivisions=16
# 模型輸入圖像寬
width=416
# 模型輸入圖像高
height=416
# 圖像通道數(shù)
channels=3
# 使用帶動量優(yōu)化函數(shù)的動量參數(shù)
momentum=0.9
# 權重衰減率，用于防止過擬合
decay=0.0005

# 以下4項是通過改變圖像角度，飽和度，曝光量，色調來生成更多樣本，可用于防止過擬合
angle=0
saturation = 1.5
exposure = 1.5
hue=.1

# 初始學習率
learning_rate=0.001
burn_in=1000
# 迭代次數(shù)
max_batches = 50200
# 當?shù)?0000，45000時更改學習率
policy=steps
steps=40000,45000
scales=.1,.1



[convolutional]
# BN標準化處理，可以通過改變數(shù)據(jù)分布，處理梯度過小問題，加快模型收斂
batch_normalize=1
# 輸出特征大小
filters=32
# 卷積核大小3x3
size=3
# 卷積步長為1
stride=1
# pad為0,padding由 padding參數(shù)指定。如果pad為1，padding大小為size/2
pad=1
# 激活函數(shù)，和relu的區(qū)別是當輸入值小于0時，輸出不為0
activation=leaky

**。。。。。省略。。。。。。**

[yolo]
mask = 0,1,2
# 預選框，可手動指定也可通過聚類學習得到
anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
# 識別種類
classes=20
# 每個cell預測box數(shù)量，yolov1時只有一個
num=9
# 增加噪聲
jitter=.3
ignore_thresh = .5
truth_thresh = 1
random=1

執(zhí)行訓練：

./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74

訓練完成后，權重文件保存在backup文件夾內。

如果訓練我們自己的數(shù)據(jù)，數(shù)據(jù)準備工作參考VOC數(shù)據(jù)集，在模型訓練之前還要更改cfg/yolov3-voc.cfg文件，修改classes類別數(shù)量和filter數(shù)量，其中filter計算方式：3*(classes+1+4)，然后訓練即可。