DarkNet--分类 ./darknet classifier train/valid/test

最新推荐文章于 2025-10-26 00:15:56 发布
原创 最新推荐文章于 2025-10-26 00:15:56 发布 · 2.1k 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#darknet

本文详细解析了在训练过程中遇到'toomanyfortoofewlabels'错误的原因，通常是因为数据集中标签不平衡或者标签重复导致。文章提供了检查labels.txt文件和图片路径的正确方法，帮助读者避免这一常见问题。

注意在labels.txt文件中，比如 类别 是 BV和NOBV，因为'BV'的是重复的，所以在训练过程中会提示

'too many for too few labels'，在图片的路径中，也不要写。

 

Captain_zp
关注
基于Darknet框架训练分类器（cifar10数据集）+windows
moon
10-30 2579
参考  https://pjreddie.com/darknet/train-cifar/ 1 下载数据集 https://pjreddie.com/media/files/cifar.tgz  在该网址下下载cifar数据集，并解压在darknet.exe目录下，解压后目录下包含了test和train以及一个label.txt文件 2 将train和test文件夹下的图片名称生成对应的...
darknet 框架实现图像分类&检测
ghy_111的博客
04-23 5427
一 Windows darknet安装 源码：https://github.com/AlexeyAB/darknet 适用windows系统。 配置与编译darknet VS 工程。（省略） 二 darknet框架训练分类模型 直接调用编译好的.\build\darknet\x64\darknet.exe，在cmd中采用以下命令： darknetclassifier trai...
Open Images Dataset V4 Train - Valid - Test 解析为 Darknet-YOLO 训练数据 (backpack-handbag-suitcase)
程永强
12-13 698
Open Images Dataset V4 Train - Valid - Test 解析为 Darknet-YOLO 训练数据 (backpack-handbag-suitcase) 1. Backpack - Handbag - Suitcase # category_id = '/m/01940j' - Backpack - 0 # category_id = '/m/080hkjn' - Handbag - 1 # category_id = '/m/01s55n' - Suitcase - 2
Darknet 深度学习框架
彬彬侠的博客
10-26 1069
Darknet是一个高效的轻量级开源神经网络框架，专注于计算机视觉任务，特别是YOLO系列实时目标检测模型。由Joseph Redmon开发，后由社区维护优化，支持GPU加速和跨平台部署。其核心优势在于高性能、简易安装和灵活配置，但相比主流框架社区支持较弱。Darknet广泛应用于农业、交通监控等领域，在嵌入式系统和实时检测场景中表现突出。尽管原开发者已退出，社区版本仍在持续演进，保持其在目标检测领域的竞争力。
Validate Classification Model - Darknet Validation Command Line
程永强
01-08 487
Validate Classification Model - Darknet Validation Command Line 1. darknet_validation_command_line_classification.py #!/usr/bin/env python3 # -*- coding: utf-8 -*- # Yongqiang Cheng from __future__ import absolute_import from __future__ import division fr
读取数据集自动生成Darknet需要的train.txt与valid.txt文件
05-22
需放在.\darknet-master\build\darknet\x64目录下，默认数据集目录为data/obj，默认valid文件的比例为0.20，可自己按需求修改，比例参数设置在第11行，读取及输出目录在第113、115行，或者使用函数--img-path与--valid定义目录
Darknet - 分类模型 (.weights) 精度验证
程永强
12-12 1521
Darknet - 分类模型 (.weights) 精度验证 1. Validate The Model Now we have to see how well our model is doing. We can calculate top-1 and top-2 validation accuracy using the valid command. We can run validation on a backup, the final weights file, or any saved epoch
使用Darknet网络框架
Page_PQ的博客
07-03 4258
【训练分类weight文件】 》命令： ./darknet classifier train cfg/mydata.data cfg/mydata.cfg 》若中途终端，基于已有的训练模型接着训练执行如下命令： ./darknet classifier train cfg/mydata.data cfg/mydata.cfg /home/page/Pictures/ImageSet/bac...
与其道听途说，不如少走点弯路，轻松跟我来全面剖析 darknet 官网！
程序猿视角
06-06 6510
仔细研读官网，你绝对不会失望！很多人以为 darknet 就是一个实现 yolo 算法的私人代码。事实上， darknet 官网全面介绍了darknet 在更多领域的优秀表现，包括图像检测、图像分类、图像生成、RNN自然语言处理算法、AlphaGo下棋、模型压缩精简。官网提供了大量训练好的模型资源，可以为我们节省不少训练时间。最后，官网还对个人GPU工作站配置等提供了很好的参考建议。
AB版的darknet主要文件源码，方便大家查看（darknet.c、detector.c、demo.c）
weixin_44414948的博客
05-24 1460
注：待笔者源码解读完毕，后续会为大家奉上详细的注释。 (1) darknet.c 此文件是darknet的main函数所在之处，各项命令在其源码都能找到出处。 #include <time.h> #include <stdlib.h> #include <stdio.h> #if defined(_MSC_VER) && defined(_DEBUG) #include <crtdbg.h> #endif #include "darknet
Darknet yolov4数据集处理及训练推理
sinat_32512123的博客
04-02 1137
文章目录darknet包的下载编译下载yolov4.weights文件数据集数据集下载数据集介绍数据处理配置文件的设置功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 darknet包的下载 AlexeyAB版 github 编译
yolov3的java调用示例
12-06
通过java代码使用yolov3的示例代码，yolov3是先进的图片内物品识别的神经网络。由于目前通过jvm运行神经网络效率较低，项目的示例意义大于实用意义。 此项目参考了yolov2的java项目：https://github.com/szaza/android-yolo-v2，是在这个项目的基础上改造成的yolov3示例。 此项目使用springboot和maven，下载项目和依赖后运行起来访问localhost:8080即可使用。项目内的模型和依赖比较重，下载需要一段时间。
读取内存中的图片并使用opencv调用darknet模型分类
haimianjie2012的专栏
04-16 1261
读取mtsd文件，并调用模型预测 void CTestDllDlg::OnBnClickedButton1() { // TODO: 在此添加控件通知处理程序代码 CGetFilePath mGetFilePath; vector<string> m_vSrcImgPath; string path = "F:/1234/171220184711_00002"; mGe...
【译文】darknet框架下基于cifar数据集的图像分类模型训练
计算机视觉算法开发与落地
04-08 1208
darknet框架图像分类模型训练，测试，官网译文
darknet框架 训练分类模型及测试图片
绿色羽毛
10-24 635
darknet 框架的Yolo模型大概已经没什么公司使用了，对于老项目的维护可能新手需要了解下，然而 darknet架构并不十分友好，新手入手门槛比较高，特别是做分类任务时，简直了！！！博主也是走了不少弯路，再次整理记录下，便于需要的小伙伴查看，同时也供自己日后学习。
darknet 使用 分类器+darknet下resnet50猫狗大战教程
Obama_优快云的博客
07-22 6656
由于我手里的数据集共20，000张，所以本文就按照这样来写，官网的数据25，000张。 由于官网是全英文，阅读起来对很多朋友不是很方便，而查阅相关中文博客时，写的也不够详细，对很多初学者来说不容易，这就是我写这篇博客的目的。我也是按照官网的步骤来写的。 系统：我使用的是ubuntu14.04   先将20,000张数据集（包括10,000张猫和10,000张狗）分成两部分，训练集16,00...
经典卷积模型回顾30—利用DarkNet53实现图像分类（matlab）
爱分享数据的一个人的博客
03-20 915
shortcut connections将前面卷积层的输出添加到后面卷积层的输入中，以避免在深层网络中出现梯度消失的问题。这里我们使用了一个已经封装好的版本，可以在MATLAB中直接使用。准备好训练用的数据集，这里我们使用的是CIFAR-10数据集。在这里，我们使用了一个imagerDatastore对象来方便地加载和预处理训练数据集。在这里，我们将准备好的训练数据集、Darknet53神经网络和训练配置选项传递给trainNetwork函数。下载好数据集后，需要进行一些预处理，将数据转为合适的格式。
深度学习（六十八）darknet使用
热门推荐
hjimce的专栏
07-05 3万+
这几天因为要对yolo进行重新训练，需要用到imagenet pretrain，由于网络是自己设计的网络，所以需要先在darknet上训练imagenet，由于网上都没有相关的说明教程，特别是图片路径是怎么和类别标签对应起来的，让我百思不得其解，所以最后就自己去查看了darknet的源码，发现原来作者是用了字符串匹配，来查找图片路径字符串中是否有与类别标签字符串匹配的子字符串，以此判断该类别标签的
darknet使用detector训练与测试自己的数据
Allyli0022的专栏
04-14 8581
看过几篇博客和官网的介绍，总结出自己切实可行的pipline，思路如下： 第一：下载官网源码，训练测试，检测测试，如果没有问题，进行下一步。 第二：开始做满足其训练的数据，包括图像和带有标注的标准xml格式文件，这一步耗时微长一些，用到了 一下三个工具：             1、P图工具             2、生成xml文件工具     3、转换图像格式工具 第三：数据替换
將代碼改為在本機訓練yolov !git clone https://github.com/AlexeyAB/darknet # **Instructions**: ### 1 - Upload this notebook on [Google Colab](https://colab.research.google.com/) (this notebook need to run on Google Colab). ### 2 - Open the notebook on Google Colab. ### 3 - Change the Google Colab runtime to "GPU" by navigating to "Runtime" > "Change runtime type" ### 4 - Run all cells to start training your model. ### 5 - After the last command finish its execution, copy the file ```yolov4-tiny/training/yolov4-tiny-custom_last.weights``` from your google drive to the cloned project in the same folder as the 4_yolo_opencv_detector notebook. %cd .. from google.colab import drive drive.mount('/content/gdrive') !ln -s /content/gdrive/My\ Drive/ /mydrive ls /mydrive/yolov4-tiny #%% %cd /content/darknet/ !sed -i 's/OPENCV=0/OPENCV=1/' Makefile !sed -i 's/GPU=0/GPU=1/' Makefile !sed -i 's/CUDNN=0/CUDNN=1/' Makefile !sed -i 's/CUDNN_HALF=0/CUDNN_HALF=1/' Makefile !sed -i 's/LIBSO=0/LIBSO=1/' Makefile #%% !make #%% %cd data/ !find -maxdepth 1 -type f -exec rm -rf {} \; %cd .. %rm -rf cfg/ %mkdir cfg #%% !cp /mydrive/yolov4-tiny/obj.zip ../ !unzip ../obj.zip -d data/ !cp /mydrive/yolov4-tiny/yolov4-tiny-custom.cfg ./cfg !cp /mydrive/yolov4-tiny/obj.names ./data !cp /mydrive/yolov4-tiny/obj.data ./data !cp /mydrive/yolov4-tiny/process.py ./ !cp /mydrive/yolov4-tiny/yolov4-tiny.conv.29 ./ #%% !python process.py #%% !ls data/ #%% !./darknet detector train data/obj.data cfg/yolov4-tiny-custom.cfg yolov4-tiny.conv.29 -dont_show
最新发布
11-11
<think>我们被要求将原本在Google Colab上运行的YOLOv4-tiny训练代码改为在本机运行。 原代码主要步骤包括： 1. 克隆darknet仓库 2. 挂载Google Drive（本机不需要） 3. 修改Makefile配置（需要根据本机环境调整） 4. 编译darknet 5. 准备数据集和配置文件（需要从本地路径获取，而不是Google Drive） 6. 运行训练命令 本机训练步骤调整： 1. 在本机上克隆darknet仓库：使用git命令（同原代码，但不需要用!，因为本机在终端运行） 2. 不需要挂载Google Drive，而是直接使用本机文件系统。 3. 修改Makefile：根据本机是否有GPU、OpenCV等调整。注意：本机需要预先安装好CUDA、cuDNN、OpenCV等依赖。 4. 编译：在darknet目录下执行make 5. 准备数据：将数据集和配置文件（如obj.zip, yolov4-tiny-custom.cfg, obj.names, obj.data, process.py, yolov4-tiny.conv.29）放在本机合适的位置，并解压、复制到darknet的相应目录。 6. 运行训练命令。 我们假设用户已经在本机安装了必要的驱动和依赖（如CUDA、cuDNN、OpenCV等），并且有NVIDIA GPU。 修改后的步骤（在本地终端或脚本中执行）： 注意：以下命令假设在类Unix系统（如Linux）下运行。如果是Windows，部分命令需要调整（如使用反斜杠、PowerShell命令等）。 步骤分解： 1. 克隆darknet： git clone https://github.com/AlexeyAB/darknet cd darknet 2. 修改Makefile：根据本机环境设置。例如，如果有GPU、OpenCV、cuDNN，则设置： OPENCV=1 GPU=1 CUDNN=1 CUDNN_HALF=1 LIBSO=1 可以使用sed命令修改，也可以手动修改。 3. 编译： make 4. 准备数据： 将obj.zip复制到darknet目录的上一层（或其他位置），然后解压到darknet/data目录（也可直接放在darknet/data下）。 将配置文件（yolov4-tiny-custom.cfg, obj.names, obj.data, process.py, yolov4-tiny.conv.29）复制到darknet的相应目录。 具体操作（假设这些文件都在一个本地目录中，例如~/yolo_data/）： cp ~/yolo_data/obj.zip ./ unzip obj.zip -d data/ cp ~/yolo_data/yolov4-tiny-custom.cfg ./cfg cp ~/yolo_data/obj.names ./data cp ~/yolo_data/obj.data ./data cp ~/yolo_data/process.py ./ cp ~/yolo_data/yolov4-tiny.conv.29 ./ 5. 运行process.py（如果需要预处理数据）： python process.py # 注意：这个脚本可能是用户自定义的，确保其功能正确 6. 开始训练： ./darknet detector train data/obj.data cfg/yolov4-tiny-custom.cfg yolov4-tiny.conv.29 -dont_show 注意：本机训练可能需要根据实际情况调整路径和权限。 由于原代码中使用了Google Colab特定的命令（如%cd, !, %rm等）和Google Drive挂载，我们将其全部改为本机终端命令。 如果用户使用Windows，请注意： - 使用git bash或者WSL来执行这些命令，或者转换为Windows命令。 - 编译darknet需要安装MinGW或者使用VS。 我们提供适用于Linux/macOS的本机训练步骤。 下面我们写出修改后的代码（作为终端命令序列）： </think>要在本机训练 YOLOv4-tiny 模型而非 Google Colab，需要对代码进行以下关键修改： ### 本机训练修改要点 1. **移除 Colab 依赖项** - 删除所有 `!` 开头的 Colab 魔法命令 - 去掉 Google Drive 挂载相关代码 - 移除 `%cd` 等 IPython 专属命令 2. **路径本地化** - 所有路径改为本机绝对路径（如 `/home/user/yolo_data`） - 确保数据集和配置文件存放于本机目录 3. **Makefile 预配置** - 手动修改 darknet 的 Makefile： ```makefile OPENCV=1 # 需提前安装 OpenCV GPU=1 # 需安装 CUDA/cuDNN CUDNN=1 CUDNN_HALF=1 LIBSO=1 ``` ### 修改后的本机训练代码 ```bash # 克隆 darknet 仓库 git clone https://github.com/AlexeyAB/darknet cd darknet # 1. 手动修改 Makefile（如上所示配置） # 2. 编译 darknet make # 准备数据目录 mkdir -p data cfg # 复制本机数据（示例路径 /path/to/your/data） cp /path/to/your/data/obj.zip ./ unzip obj.zip -d data/ cp /path/to/your/data/yolov4-tiny-custom.cfg ./cfg cp /path/to/your/data/obj.names ./data cp /path/to/your/data/obj.data ./data cp /path/to/your/data/process.py ./ cp /path/to/your/data/yolov4-tiny.conv.29 ./ # 运行预处理脚本（如果有） python process.py # 开始训练 ./darknet detector train data/obj.data cfg/yolov4-tiny-custom.cfg yolov4-tiny.conv.29 -dont_show ``` ### 本机训练前提条件 1. **硬件要求**： - NVIDIA GPU（推荐 ≥8GB 显存） - 足够的内存（建议 ≥16GB RAM） 2. **软件依赖**： ```bash # Ubuntu 示例 sudo apt install build-essential git libopencv-dev # 安装 CUDA 和 cuDNN（需匹配 GPU 驱动版本） ``` 3. **数据准备**： - 数据集需预先转换为 YOLO 格式 - 配置文件（`.cfg`, `.data`, `.names`）需本地化
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值