YOLO 训练

官网yolov1：http://pjreddie.com/darknet/yolov1/

官网yolov2：http://pjreddie.com/darknet/yolo/

github yolo：https://github.com/pjreddie/darknet

---

yolo训练要有本身的一套方式，先说说label要怎么弄。

1 标签和数据的格式

首先看看标签和数据的格式

数据放在images中，这个文件夹名字能够随便起，可是注意，labels这个文件夹必定不能改。这个yolo会自动找到这个文件夹里面标好的数据的。

而后进入labels这个文件夹

咱们分析一下这个文件夹里面的内容

标签的格式是：

类别    框的中心点X方向/图像宽    框的中心点Y方向/图像高    框宽/图像宽    框高/图像高
class_number    box2_x1_ratio    box2_y1_ratio    box2_width_ratio    box2_height_ratio

具体计算看一看scripts/voc_label.py的源码

# size :width height     box: xmin xmax ymin ymax
def convert(size, box):
    dw = 1./size[0]
    dh = 1./size[1]
    x = (box[0] + box[1])/2.0
    y = (box[2] + box[3])/2.0
    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)

2 修改yolo.c

而后要改yolo.c文件中的类别数目，修改train.txt路径到本身的train.txt，**注意下，train.txt里面只须要写图片的路径就能够了，每行一张图片路径，用的是绝对路径，相对路径尚未用过，不知道行不行。

char *train_images = "/data/voc/train.txt";
char *backup_directory = "/home/pjreddie/backup/";

而后找到这个函数

draw_detections(im, l.side*l.side*l.n, thresh, boxes, probs, voc_names, alphabet, CLASSNUM);

最后的classnum改为本身的类型数目。

3　修改yolo_kernels.cu

yolo_kernels.cu文件中　找到这个函数

draw_detections(det, l.side*l.side*l.n, demo_thresh, boxes, probs, voc_names, voc_labels, CLS_NUM);

改变最后的cls_num为本身的类型数目。

4　修改cfg

最后要改的就是yolo2.cfg 或者是yolo.cfg，看你用哪一个,不过这个都是yolov1的。

切记一点，在两个文件的最末端

[connected]
output= 931
activation=linear

[detection]
classes=4
coords=4
rescore=1
side=7
num=3
softmax=0
sqrt=1
jitter=.2

output 是须要从新计算的，若是不从新计算会报一个问题

Assertion `side*side*((1 + l.coords)*l.n + l.classes) == inputs' failed.

而这个output值的计算如上面这个错误

• side=7
• l.coords = coords
• l.n = num
• l.classes = classes

即 output = 7*7*((1+coords)*num+classes)

这个classes须要改为本身的类别数目。

若是要用yolov2的进行训练的话，那么须要从新计算最后一层的filter

[convolutional]
size=1
stride=1
pad=1
filters=425
activation=linear

[region]
anchors = 0.738768,0.874946,  2.42204,2.65704,  4.30971,7.04493,  10.246,4.59428,  12.6868,11.8741
bias_match=1
classes=80
coords=4
num=5
softmax=1
jitter=.2
rescore=1

object_scale=5
noobject_scale=1
class_scale=1
coord_scale=1

filter的计算公式为

filters = num*(classes+coords+1)

5 训练

去官网下载extraction.conv.weights，固然也能够本身从新计算extraction.conv.weights，　过程就不详细叙述了，能够去官网本身看看。最后就能够愉快的运行训练了。

./darknet yolo train cfg/yolov1/yolo2.cfg extraction.conv.weights

截图留念

最后给出一个不错的blog，YOLO2 如何fine tunning