YOLOv3 训练自己的数据

关注

转载最新推荐文章于 2026-04-12 09:42:44 发布 1.2k 阅读 AI 写同款· GEO 优化 ›

ubuntu16.04下使用YOLOV3训练自己做的VOC数据集（VOC数据集制作+模型训练步骤+训练参数解析和问题解决+训练日志可视化（loss、IOU）+模型测试（单张、摄像头、批量测试））前序 1、环境配置请自行参考其他博客本机环境 ubuntu16.04 python3 英伟达显卡驱动：nvidia-396 OpenCV3.4.5 CUDNN7.0.5 CUDA9.0 2、ubuntu16.... 阅读详情

改作者都在讲解yolov3：https://blog.youkuaiyun.com/holmes_MX/article/details/81235687:

YOLOv3 训练自己的数据（解决网上提供的文章不能一次成功的问题）

置顶 2018年07月27日 15:33:03 holmes_MX 阅读数：2688

0. 写本博客的目的

对于使用yolov3训练自己的数据，网上虽然文章多，但是经过实验发现，基本没有能一次运行的成功的。因此特写此文，记录自己在使用yolov3训练自己的数据时遇到的坑。

环境：ubuntu14 + CUDA8.0 + cudnn5.0 + GTX1050Ti (4G)

1. 制作数据

为了便于在多个目标检测框架（如Faster R-CNN，SSD等）中训练，制作数据时，推荐使用类似VOC（VOC-LIKE）数据。windows可以使用labelImg.exe来进行标注。具体这里不详细介绍了。

2. 下载+编译yolov3

从官方网址中下载yolov3源码。具体编译过程作者有介绍。这里简要介绍一下自己编译的过程。

假设yolov3在ubuntu中的路径为/home/XXX/darknet

1) 修改配置文件(Ｍakefile)

Ｍakefile文件中(下面是配置文件中的修改部分，或者需要注意的部分)

需要注意的是：是否使用GPU，是否使用CUDNN进行进一步加速，是否使用opencv。如果使用GPU时，需要注意CUDA的安装位置，如果使用opencv，需要注意opencv的位置。有关opencv的ubuntu安装，推荐一个靠谱的安装方式。对于需要注意的地方，在下面的Makefile中有相关注释。

GPU=1 ## using GPU for train or test
CUDNN=0 ## using CUDNN to improve speed
OPENCV=1 ## using opencv
OPENMP=0
DEBUG=0
## the arch of your GPU
ARCH = -gencode arch=compute_60,code=sm_60 \
-gencode arch=compute_61,code=sm_61 \
-gencode arch=compute_62,code=compute_62
#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_60,code=sm_60 \
# -gencode arch=compute_61,code=sm_61 \
# -gencode arch=compute_61,code=compute_61
# -gencode arch=compute_20,code=[sm_20,sm_21] \ This one is deprecated?
# This is what I use, uncomment if you know your arch and want to specify
# ARCH= -gencode arch=compute_52,code=compute_52
CFLAGS+=$(OPTS)
ifeq ($(OPENCV), 1)
COMMON+= -DOPENCV
CFLAGS+= -DOPENCV
LDFLAGS+= `pkg-config --libs opencv2.4` ## the position of your opencv
COMMON+= `pkg-config --cflags opencv2.4` ## the position of your opencv
endif

2) 编译

首先进入darknet所在目录，然后进行编译: make。为了提高编译速度可以使用make -j4 或者make -j8。（-j4 或者-j8依据自己的电脑配置）

注意：在训练自己的数据时，每次修改.c文件后，需要重新编译(修改配置文件不需要)。具体过程为：make clean 清除之前的编译，然后make或者make -j4。

3. 测试安装成功与否

1) 下载作者训练好的权重(在/home/XXX/darknet目录下)

具体为：

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

2) 进行测试

注意：如果出现问题，一般在下面命令前加上sudo，重新运行一下就可以了。

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

也可以使用该命令进行测试:

./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg

4. 训练自己的数据

在/home/XXX/darknet/目录下建立自己的数据集存放文件: myData

1) 将数据转为yolov3所需要的数据

这里给出VOC-LIKE数据中的格式: 在/home/XXX/darknet/myData中存放以下文件:

JEPGImages —— 存放图像

Annotations —— 存放图像对应的xml文件

ImagesSets/Main —— 存放训练/验证图像的名字（格式如 000001.jpg或者000001），里面包括train.txt。这里给出的格式是: 000000，因为下面的代码中给出了图像的格式。

2) yolov3提供了将VOC数据集转为YOLO训练所需要的格式的代码。这里提供一个修改版本的。

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
sets=[('myData', 'train')]
classes = ["plane", "boat", "person"] # each category's name
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('myData/Annotations/%s.xml'%(image_id))
out_file = open('myData/labels/%s.txt'%(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('myData/labels/'):
os.makedirs('myData/labels/')
image_ids = open('myData/ImageSets/Main/%s.txt'%(image_set)).read().strip().split()
list_file = open('myData/%s_%s.txt'%(year, image_set), 'w')
for image_id in image_ids:
list_file.write('%s/myData/JPEGImages/%s.jpg\n'%(wd, image_id))
convert_annotation(year, image_id)
list_file.close()