YOLO 訓練

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

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

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

---

yolo訓練要有本身的一套方式，先說說label要怎麼弄。

1 標籤和數據的格式

首先看看標籤和數據的格式

數據放在images中，這個文件夾名字能夠隨便起，可是注意，labels這個文件夾必定不能改。這個yolo會自動找到這個文件夾裏面標好的數據的。

而後進入labels這個文件夾

咱們分析一下這個文件夾裏面的內容

標籤的格式是：

類別    框的中心點X方向/圖像寬    框的中心點Y方向/圖像高    框寬/圖像寬    框高/圖像高
class_number    box2_x1_ratio    box2_y1_ratio    box2_width_ratio    box2_height_ratio

具體計算看一看scripts/voc_label.py的源碼

# 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

而後要改yolo.c文件中的類別數目，修改train.txt路徑到本身的train.txt，**注意下，train.txt裏面只須要寫圖片的路徑就能夠了，每行一張圖片路徑，用的是絕對路徑，相對路徑尚未用過，不知道行不行。

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

而後找到這個函數

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

最後的classnum改爲本身的類型數目。

3　修改yolo_kernels.cu

yolo_kernels.cu文件中　找到這個函數

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

改變最後的cls_num爲本身的類型數目。

4　修改cfg

最後要改的就是yolo2.cfg 或者是yolo.cfg，看你用哪一個,不過這個都是yolov1的。

切記一點，在兩個文件的最末端

[connected]
output= 931
activation=linear

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

output 是須要從新計算的，若是不從新計算會報一個問題

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

而這個output值的計算如上面這個錯誤

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

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

這個classes須要改爲本身的類別數目。

若是要用yolov2的進行訓練的話，那麼須要從新計算最後一層的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的計算公式爲

filters = num*(classes+coords+1)

5 訓練

去官網下載extraction.conv.weights，固然也能夠本身從新計算extraction.conv.weights，　過程就不詳細敘述了，能夠去官網本身看看。最後就能夠愉快的運行訓練了。

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

截圖留念

最後給出一個不錯的blog，YOLO2 如何fine tunning