使用YOLOV3訓練自己的資料集

1、下載原始碼

YOLOv3 github

2、標注資料集

3、將資料集放入代碼目錄中

其中，Annotations 放置 標注檔案 xml, 和 JPEGImages 為訓練圖片，

4、分割資料集

• 創建make_txt.py檔案，放到和data的同級目錄下，
  

# -*- coding:utf-8 -*
import os
import random

trainval_percent = 0.1
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)

num = len(total_xml)  #統計所有的標注檔案
list = range(num)     
tv = int(num * trainval_percent)  # 設定訓練驗證集的數目
tr = int(tv * train_percent)      # 設定訓練集的數目
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

# txt 檔案寫入的只是xml 檔案的檔案名（數字），沒有后綴，如下圖，
ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftest.write(name)
        else:
            fval.write(name)
    else:
        ftrain.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

• 轉換xml 標注為yolo讀取的txt檔案 ，在data 的同級目錄下創建voc_label.py
  檔案首先決議xml檔案，并且設定類別標簽（注意修改自己的類別名稱），每一個xml檔案對應一個txt文本，保存在data/labels檔案夾下.
  然后在data目錄下生成4個txt文本，保存圖片的路徑，

# -*- coding:utf-8 -*
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join

sets = ['train', 'test', 'val']
classes = ['blue_car', 'blue_armor']    


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)
def convert_annotation(image_id):
    in_file = open('data/Annotations/%s.xml' % (image_id))
    out_file = open('data/labels/%s.txt' % (image_id), 'w')
    tree = ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')
    w = int(size.find('width').text)
    h = int(size.find('height').text)

    for obj in root.iter('object'):
        difficult = obj.find('difficult').text
        cls = obj.find('name').text
        if cls not in classes or int(difficult) == 1:
            continue
        cls_id = classes.index(cls)
        xmlbox = obj.find('bndbox')
        b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
             float(xmlbox.find('ymax').text))
        bb = convert((w, h), b)
        out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
print(wd)
for image_set in sets:
    if not os.path.exists('data/labels/'):
        os.makedirs('data/labels/')
    image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
    list_file = open('data/%s.txt' % (image_set), 'w')
    for image_id in image_ids:
        list_file.write('data/JPEGImages/%s.jpg\n' % (image_id))
        convert_annotation(image_id)
    list_file.close()

data/train.txt的內容

labels/10012.txt 的檔案內容

5、修改訓練組態檔，

• 修改類別名稱，資料集路徑如下，
  
  
• 修改.cfg檔案
  修改classes = 自己的類別數，
  修改yolo層上面的卷積層的filters = 3*(類別數+4+1)，
  對于yolov3-tiny 需要修改兩處，因為兩個輸出層，v3需要三處，
  

5、修改train.py，

這幾個地方改成自己對應的檔案路徑，

datasets.py 中的292行修改如圖，沒必要在加一個images 檔案夾，

6、訓練/推斷

python train.py --data data/yolo.data --cfg cfg/yolov3-tiny.cfg --epochs 300

python detect.py --names data/yolo.names --source data/samples/ --cfg cfg/yolov3-tiny.cfg --weights weights/best.pt