YOLO如何训练分类网络？？？

一般YOLO的工程应用直接上检测，源自作者提供了分类的预训练模型，但是如果自己改网络训练怎么办？预训练网络没有怎么办？

不怕，两种方法可以解决！

第一种：比较笨的方法，就是下载imagenet数据训练分类网络！

第二种：一层一层的改网路，每改一层，在原有预训练的条件下训练网络，生成新的模型时作为下一次修改网络的预训练模型！说的好像不是很清楚额，这个问题以后讨论！

 

今天讨论如何用yolo训练自己的分类模型！可见我们一般的分类工程都是通过caffe来做的，YOLO其实可以替代的，而且yolo是纯c，有着不可替代的优点！加上OpenBlas，效果不要太好了！

 

第一步：yolo配置

这个在本博文不提了，可参考我的系列博客http://blog.youkuaiyun.com/samylee/article/details/53414108

 

第二步：数据制作

没啥特殊要求，如下图所示，train保存训练图片，test保存测试图片，labels.txt为分类的标签，例如猫狗大战则为cat和dog！

注意一点就行，即图片名称为labels.txt中的一种，例如cat_1.jpg，cat为labels中的一种，后面_1随便写，只要没有dog就行！（WHY？全局搜索strstr函数即可豁然开朗）

同时要分别生成train.list和test.list保存图片train和test的绝对路径，这个程序可以自己写一下啦，很简单！

 

第三步：数据配置文件制作

例如猫狗大战数据，cat_dog.data怎么写？如下：

 

classes=2
train  = data/cat_dog/train.list
valid  = data/cat_dog/test.list
labels = data/cat_dog/labels.txt
backup = cat_dog/backup/
top=2

很明显，classes表示几类，labels表示标签路径，backup表示要把模型存放在哪里，top表示准确率输出前几，类似caffe！

 

 

第四步：网络文件制作

cat_dog.cfg怎么写？如下：

 

[net]
batch=128
subdivisions=1
height=416
width=416
channels=3
max_crop=428
min_crop=428

hue=.1
saturation=.75
exposure=.75

learning_rate=0.1
policy=poly
power=4
max_batches = 5000
momentum=0.9
decay=0.0005

[convolutional]
batch_normalize=1
filters=32
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=64
size=3
stride=1
pad=1
activation=leaky

[maxpool]
size=2
stride=2

[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky

[convolutional]
filters=2
size=1
stride=1
pad=1
activation=leaky

[avgpool]

[softmax]
groups=1

[cost]
type=sse

很明显，max_crop表示原始图像大小，heights和weights表示剪切图像大小，最后一层conv输出为几类，这里比如猫狗为2！

 

 

第五步：训练

到了这一步，很舒服！终端写入如下命令即可：

 

./darknet classifier train cfg/cat_dog.data cfg/cat_dog.cfg

训练过程看啥呢？看loss，loss应该越来越小，最后趋于平稳！

 

 

第六步：测试

训练完毕过后，拿出训练结果的模型来测试，真皮！终端输入如下命令即可：

 

./darknet classifier predict cfg/cat_dog.data cfg/cat_dog.cfg cat_dog_final.weights data/dog.jpg

结束啦，终端可以看到输出两个结果（top=2），第一个即为判断的结果啦！

 

 

任何问题请加唯一QQ2258205918(名称samylee)  !!! 

或唯一VX：samylee_csdn