Opencv Yolo使用自己的数据集训练Yolo

我想与Yolo建立一个数据库，这是我第一次从事深度学习

我如何为Yolo建立数据库并对其进行培训

如何获得分类的权重

对于一个刚开始深入学习的人来说，这太难了吗

---

使用这个流行的分叉暗色存储库。作者描述了许多步骤，这些步骤将帮助您构建和使用自己的Yolo检测器模型

如何构建自己的自定义数据集并对其进行训练？跟着这个。他建议使用Yolo Mark标记工具来构建数据集，但您也可以尝试和中所述的其他工具

如何获得重量？每1000次迭代后，权重将存储在

darknet/backup/

目录中（您可以稍后调整此值）。上面的链接解释了有关如何制作和使用权重文件的所有内容

如果你已经懂得数学、统计学和编程，我想这不会那么难。学习基本的神经网络如感知器、MLP然后转向现代机器学习是一个良好的开端。然后，您可能想将您的知识扩展到计算机视觉相关或NLP相关领域

---

取决于你有什么类型的操作系统。您可以点击[尤其是Windows]或坚持使用。 为此采取的步骤：

• 1） 设置暗色，详见帖子
• 2） 我用LabelIMG来标记我的图像。确保格式正确 您保存的图像是在YOLO中。如果使用PascalVOC格式或其他格式保存，则可以编写脚本将其更改为darknet期望的格式。[YOLO]。此外，请确保不更改标签文件。如果要添加新标签，请将其放在文件末尾，而不是中间。YOLO格式完全不同，因此如果在类之间进行更改，您以前标记的图像可能会弄乱
• 3） 权重将在您在darknet的特定文件夹中训练模型时生成。[如果您需要更多详细信息，我很乐意帮助回答]。您可以在YOLO中下载.74文件并开始培训。培训的输入需要一个内置的darknet.exe、一个cfg文件、一个.74文件和您的培训数据位置/访问权限

---

设置是严格的，过程本身并非如此。

是的，您可以轻松完成！！欢迎来到深度学习社区。不客气

首先从下载darknet文件夹

进入文件夹并在命令提示符下键入make

git clone https://github.com/pjreddie/darknet
cd darknet
make

定义这些文件-

data/custom.names
data/images
data/train.txt
data/test.txt

现在是时候用YLO格式标记图像并将其保存，该格式将为图像数据集生成相应的label.txt文件

对象的标签应保存在data/custom.names中

使用该脚本，您可以将数据集拆分为训练和测试-

import glob, os

dataset_path = '/media/subham/Data1/deep_learning/usecase/yolov3/images'

# Percentage of images to be used for the test set
percentage_test = 20

# Create and/or truncate train.txt and test.txt
file_train = open('train.txt', 'w')  
file_test = open('test.txt', 'w')

# Populate train.txt and test.txt
counter = 1  
index_test = round(100 / percentage_test)  
for pathAndFilename in glob.iglob(os.path.join(dataset_path, "*.jpg")):  
    title, ext = os.path.splitext(os.path.basename(pathAndFilename))

    if counter == index_test+1:
        counter = 1
        file_test.write(dataset_path + "/" + title + '.jpg' + "\n")
    else:
        file_train.write(dataset_path + "/" + title + '.jpg' + "\n")
        counter = counter + 1

为了训练我们的目标检测器，我们可以使用已经在庞大数据集上训练过的现有预训练权重。从中，我们可以将预先训练的权重下载到根目录

在custom_data目录中创建一个yolo-custom.data文件，该文件应包含有关列车和测试数据集的信息

classes=2
train=custom_data/train.txt
valid=custom_data/test.txt
names=custom_data/custom.names
backup=backup/

现在我们必须在yolov3.cfg中进行更改，以训练我们的模型。两节课。根据所需的性能，我们可以选择YOLOv3配置文件。在本例中，我们将使用yolov3.cfg。我们可以将文件从cfg/yolov3.cfg复制到custom_data/cfg/yolov3-custom.cfg

我们的网络应该训练的最大迭代次数设置为param max_batches=4000。同时更新步骤=32003600，这是最大批次的80%，90%。 我们需要更新[yolo]层和[convolutional]层的类和过滤器参数，这些类和过滤器参数正好位于[yolo]层之前。 在本例中，由于我们只有一个类（特斯拉），我们将在行号610696783处将[yolo]层中的类参数更新为1 同样，我们需要根据类计数filters=（类+5）*3更新filters参数。对于两个类，我们应该在行号603689776处设置filters=21 所有配置更改都是对custom_data/cfg/yolov3-custom.cfg进行的

现在，我们已经定义了培训YOLOv3模型所需的所有项目。训练-

./darknet detector train custom_data/detector.data custom_data/cfg/yolov3-custom.cfg darknet53.conv.74

---

此外，您还可以在图像中标记有边界的对象框，以便对Yolo进行培训，只需打开url即可。此工具已部署到GitHub页面

---

要构建自己的数据集，您应该使用LabelImg。这是一个免费且非常简单的软件，它将为您生成构建数据集所需的所有文件。事实上，因为您使用的是yolo，所以每个图像都需要一个txt文件，该文件将包含诸如bbox坐标、标签名称等重要信息。所有这些txt文件都是由LabelImg自动生成的，因此您所要做的就是用LabelImg打开包含所有图像的目录，然后启动labelisation。然后，您将拥有所有txt文件，您还需要创建一些其他文件以开始培训（请参阅）。

尝试使用。在您的模型开始运行之前，可能需要几天时间。谢谢，在Yolo中，像mlp一样，我们需要手动指定神经网络层吗？或者图层是自动设置的？@diegokabir你不必这么做。Yolo有许多不同类型的架构，有Yolo、yolov2、yolov3、yolov3 tiny、yolov3 spp等。所有预先训练的模型和定义都由作者提供，因此您不必修改图层，除非您真的想进行一些修改。我有任何数据集中都不存在的图像，因此，我必须首先创建数据集，然后对其进行训练，因此我必须自己指定层吗？@diegokabir否，但您必须更改cfg文件中的

过滤器

，

类

参数，如中所述。您可能希望为自己的数据集计算自己的锚定框值，只需按照链接上的指南操作即可。您是否可以仅识别预先训练过的对象？我的意思是，你可以用