基于YOLO-V3（Darknet框架）的缺陷检测

1.前言

YOLO-V3是在速度和准确率之间tradeoff。在缺陷检测中，YOLO-V3算法也是非常常见且取得非常好效果的一种。

2.YOLO-V3算法

YOLO-V3（论文：https://arxiv.org/abs/1804.02767）是在YOLO-V1和YOLO-V2的基础上改进的，主要改进是1）利用多尺度特征进行对象检测；

2）更好的基础分类网络（如ResNet）和分类器 darknet-53；

3）延续9种尺度的先验框：采用K-means聚类的方法得到先验框的尺寸，为每种下采样尺度设定3种先验框，最终聚类出9种尺寸的先验框；

在Darknet（https://pjreddie.com/darknet）框架下展开YOLO-V3算法的开发，

Windows 版本 Darknet: GitHub - AlexeyAB/darknet: YOLOv4 / Scaled-YOLOv4 / YOLO - Neural Networks for Object Detection (Windows and Linux version of Darknet )，由C和CUDA实现，对第三方库的依赖较少，易移植到其它平台，如Windows或嵌入式设备。

3.Darknet下训练数据（Pascal VOC Data）

1）首先制作VOC数据集

2）生成适合与YOLO-V3的数据集

python  ./scripts/voc_label.py

3）生成适合于自己数据集的anchor大小

darknet.exe detector calc_anchors data/obj.data -num_of_clusters 9 -width 416 -height 416

4）共有一种缺陷，修改yolov3-voc.cfg，filters=3*（classes+5）

[convolutional]

filters=18

[yolo]

classes=1

修改合适于自己显卡性能的width、height、batch、subdivisions

 #Testing
 #batch=1
 #subdivisions=1
 Training
 batch=64   
 subdivisions=16   #16
width=416   #608,416
height=416

5）开始训练

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

darknet53.conv.74下载链接：https://pjreddie.com/media/files/darknet53.conv.74

多GPU训练：

darknet.exe detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gpu 0,1,2,3

显示map训练方法：

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

4.测试

批量测试图片可参考博客：Windows环境下yolov3+darknet批量处理图片_middle_rookie的博客-优快云博客

5.下一步工程化

PS:见下一篇博客，有问题欢迎交流互相学习（写的比较简单）。