使用YOLOV3训练自己的数据集

1、下载源码

YOLOv3 github

2、标注数据集

3、将数据集放入代码目录中

其中，Annotations 放置 标注文件 xml, 和 JPEGImages 为训练图片。

4、分割数据集

• 创建make_txt.py文件，放到和data的同级目录下。
  

# -*- 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)  #统计所有的标注文件
list = range(num)     
tv = int(num * trainval_percent)  # 设置训练验证集的数目
tr = int(tv * train_percent)      # 设置训练集的数目
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

# txt 文件写入的只是xml 文件的文件名（数字），没有后缀，如下图。
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()

• 转换xml 标注为yolo读取的txt文件 ，在data 的同级目录下创建voc_label.py
  文件首先解析xml文件，并且设置类别标签（注意修改自己的类别名称）。每一个xml文件对应一个txt文本，保存在data/labels文件夹下.
  然后在data目录下生成4个txt文本，保存图片的路径。

# -*- 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的内容

labels/10012.txt 的文件内容

5、修改训练配置文件。

• 修改类别名称，数据集路径如下。
  
  
• 修改.cfg文件
  修改classes = 自己的类别数，
  修改yolo层上面的卷积层的filters = 3*(类别数+4+1)。
  对于yolov3-tiny 需要修改两处，因为两个输出层，v3需要三处。
  

5、修改train.py。

这几个地方改成自己对应的文件路径。

datasets.py 中的292行修改如图，没必要在加一个images 文件夹。

6、训练/推断

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