yolov3预训练权重_YoloV3 教程

yoloV3是实时目标检测算法yolo的第三个版本,其本身基于darknet构建的神经网络算法.

官网:YOLO: Real-Time Object Detection

1.实例演示

#获取源码
git clone https://github.com/pjreddie/darknet
cd darknet
make

#获取预训练的参数权重
wget https://pjreddie.com/media/files/yolov3.weights

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

在darknet文件夹下的predictions.jpg即是检测后的结果,如图:

---

2. 利用GPU

Darknet在进行图像目标检测时,可以使用GPU进行运算加速，比单独使用CPU要快500倍以上.

前提：具有NVIDIA 显卡、显卡驱动已安装、CUDA已安装、CUDNN已安装

上述的前提的安装过程较为繁琐,请参考阿弎：ubuntu安装tensorflow gpu版本

假设上述前提已准备好，则修改darknet根目录下的Makefile文件:

GPU=1
CUDNN=1 #若安装了cudnn设置为1,也可以不设置.安装了cuda其实就可以使用GPU了

#注意makefile中如下的配置 请确认是否与你安装的目录一致

ifeq ($(GPU), 1)
COMMON+= -DGPU -I/usr/local/cuda/include/
CFLAGS+= -DGPU
ifeq ($(OS),Darwin) #MAC
LDFLAGS+= -L/usr/local/cuda/lib -lcuda -lcudart -lcublas -lcurand
else
LDFLAGS+= -L/usr/local/cuda/lib64 -lcuda -lcudart -lcublas -lcurand
endif
endif

ifeq ($(CUDNN), 1)
COMMON+= -DCUDNN
ifeq ($(OS),Darwin) #MAC
CFLAGS+= -DCUDNN -I/usr/local/cuda/include
LDFLAGS+= -L/usr/local/cuda/lib -lcudnn
else
CFLAGS+= -DCUDNN -I/usr/local/cudnn/include
LDFLAGS+= -L/usr/local/cudnn/lib64 -lcudnn
endif
endif    

再次使用make重新编译

使用GPU版测试dog.jpg 耗时0.20秒

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg #默认使用第1块GPU

./darknet detect cfg/yolov3.cfg yolov3.weights -i 1 data/dog.jpg # -i 1:使用第2块GPU
./darknet -nogpu detect cfg/yolov3.cfg yolov3.weights data/dog.jpg #-nogpu:不使用GPU

---

3.结合OpenCV（opencv 版本<=3.4.0）

默认下Darknet使用stb_image.h加载图像，如果支持多种图片格式可以结合OpenCV进行处理，同时OpenCV将检测结果实时直观的展示出来.

Opencv的安装请参考opencv3(1-2) linux配置opencv3开发环境

安装好OpenCV后，修改Makefile文件

OPENCV=1

执行make命令再次重新编译

测试是否可用：

./darknet imtest data/eagle.jpg

#再次执行如下命令,检测结果的图片将会弹到桌面
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

4.基于视频的实时目标检测

除了检测图片外，Darknet还可以针对视频进行检测，前提:安装好CUDA和OpenCV

#通过摄像头进行视频测试 系统具备摄像头且可用
./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights 

#通过视频文件进行测试
./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights <video file>

使用MP4视频测试

./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights /home/adminpc/jiaopan/test.mp4

yolov3视频测试-jiaopanhttps://www.zhihu.com/video/1083385719980003328

---

5.训练自定义数据集 检测自定义目标

训练数据集的标记

训练数据集的构造可以使用yolo_mark,地址:AlexeyAB/Yolo_mark

参考：AlexeyAB/darknet 通过上述步骤编译该版本的darknet

yolo_mark的编译安装请参考官方文档,不再赘述.

编译成功的yolo_mark

在data目录下构建如下四个文件

• img:放置需要标记的图片集合
• obj.data内容如下:

classes= 2 #检测的类别个数 如检测自行车、小汽车、公交车,则classes = 3
train  = data/train.txt 
valid  = data/train.txt
names = data/obj.names
backup = backup/

• obj.names

检测的类别名称，如检测自行车和自行车群,个数等于classes的值，且用英文命名

使用中文会乱码,需要更改darketnet源码

bike
bike_group

train.txt:初始为空

双击yolo_mark.cmd启动标记程序，启动后如图:

• image num 0:第几张图片
• object id 0:当前标记的类别,0对应bike 1对应bike_group 通过键盘的数字键可直接进行切换或者使用鼠标点击切换

通过鼠标绘制矩形框进行标记，标记bike时object id 指向0，标记bike_group时object id 指向1

切换上一张图片和下一张图片可通过键盘方向键进行切换,同时空格键位切换到下一张图片

若标记错误，可将鼠标指针移到方框内，并按键盘R键即可删除错误的标记框.

按键盘H键可以查看更多的操作说明.

标记完图片以后,在img目录下会生成图片对应的txt,txt内容为类别值以及标记方框在图片中的坐标(x,y,width,height),且值为归一化后的值.

同时,图片的所有相对路径将会自动加载到train.txt文件中

注意，train.txt文件需要通过notepad++转为unix格式

至此，训练数据集便构造完成.

模型训练

1. 将img文件夹、obj.data、obj.names、train.txt复制到darknet的data目录下

2.创建model目录，复制darknet/cfg目录下的yolov3.cfg到darknet/model目录，并重新命名为yolo-obj.cfg

cfg文件定义yolo神经网络的结构、学习速率、迭代次数等参数

3.打开yolo-obj.cfg文件

• 注释3-4行，取消6-7行的注释

• 更改迭代次数，2000次即可，依据GPU性能，本文使用的是Titan V .若显卡性能较差，迭代次数过多，训练时间将会很长，若迭代次数太少，模型的准确率会很低.

• 本文检测自行车和自行车群两个类别，修改classes = 2 ,共三处

• 更改 [filters=255] 为 filters=(classes + 5)x3

原文件classes = 80,因此filters = (80+5) x 3 = 255

本文classes = 2,因此filters = (2+5) x 3 = 21

注意：只修改 [filters=255]的地方，其他的filters不要修改，共三处

所以针对两个类别的检测 修改的值为:

filters=21
classes=2

4.下载预训练模型参数 :http://pjreddie.com/media/files/darknet53.conv.74，并将其复制到darknet/model目录下

5.执行命令训练

./darknet detector train data/obj.data model/yolo-obj.cfg model/darknet53.conv.74 

训练过程，如图:

每训练100或1000次，在darknet/backup目录下会自动生成模型参数文件.图表为训练时的误差值趋势图.训练时的误差足够小即可手动停止训练或等待训练完成.

训练完成以后，在darknet/backup目录会生成yolo-obj_last.weights文件.这就是我们训练完成的模型参数文件,yolo-obj_1000.weights表示迭代1000次时的模型参数

6.测试

#使用训练完成后的模型参数测试
./darknet detector test data/obj.data model/yolo-obj.cfg backup/yolo-obj_last.weights

输入图片地址后,结果如图