标签：效果 jre height xml文件 ali back 分发 class 随机
辛辛苦苦搭载好GPU环境现在要开始测试下效果
1，准备好数据集
2，测试开始
（1），如果尚未安装Darknet，则应先进行安装
git clone https://github.com/pjreddie/darknet cd darknet make
您已经在cfg/子目录中拥有YOLO的配置文件。您将必须在此处下载预训练重量文件（237 MB）。或只是运行此：
wget https://pjreddie.com/media/files/yolov3.weights
然后运行检测器！
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
你将看到以下输出：
layer filters size input output 0 conv 32 3 x 3 / 1 416 x 416 x 3 -> 416 x 416 x 32 0.299 BFLOPs 1 conv 64 3 x 3 / 2 416 x 416 x 32 -> 208 x 208 x 64 1.595 BFLOPs ....... 105 conv 255 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 255 0.353 BFLOPs 106 detection truth_thresh: Using default ‘1.000000‘ Loading weights from yolov3.weights...Done! data/dog.jpg: Predicted in 0.029329 seconds. dog: 99% truck: 93% bicycle: 99%
这说明没有问题。
默认情况下，YOLO仅显示置信度为.25或更高的对象。您可以通过将-thresh <val>标志传递给yolo命令来更改此设置。例如，要显示所有检测，可以将阈值设置为0：
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg -thresh 0
要培训YOLO，您需要2007年至2012年的所有VOC数据。(如果你和我一样用自己的数据训练yolo，则不需要下面这一步)
要获取所有数据，请创建一个目录以存储所有数据，然后从该目录运行：
wget https://pjreddie.com/media/files/VOCtrainval_11-May-2012.tar wget https://pjreddie.com/media/files/VOCtrainval_06-Nov-2007.tar wget https://pjreddie.com/media/files/VOCtest_06-Nov-2007.tar tar xf VOCtrainval_11-May-2012.tar tar xf VOCtrainval_06-Nov-2007.tar tar xf VOCtest_06-Nov-2007.tar
现在将有一个VOCdevkit/子目录，其中包含所有VOC培训数据。
现在我们需要生成Darknet使用的标签文件。Darknet希望.txt为每个图像提供一个文件，并在图像中为每个地面真实对象添加一行，如下所示：
<object-class> <x> <y> <width> <height>
(1)运行test.py
先运行这个。功能将Annotations里的xml文件随机的分发到对应文件夹里
分发到比例是可以改的
(2)然后再出去运行voc_label.py
这几个py文件都比较好理解，可以稍微看一下源码
(3)修改Cfg以获取Pascal数据，在cfg文件夹中的voc.data中，下面以我的路径举例
1 classes= 10 2 train = /home/lanyou/mydarknet/darknet/traindata/train.txt 3 valid =/home/lanyou/mydarknet/darknet/traindata/2007_test.txt
4 names =/home/lanyou/mydarknet/darknet/traindata/voc.names
5 backup =/home/lanyou/mydarknet/darknetbackup
为了进行训练，我们使用在Imagenet上预先训练的卷积权重。我们使用darknet53模型的权重。您可以在此处下载卷积层的权重（76 MB）。
wget https://pjreddie.com/media/files/darknet53.conv.74
现在我们可以训练！运行命令（官方指导文件中命令）：
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74
下面给出我自己的命令供大家参考。（我用的yolov3-tiny.cfg）
./darknet detector train mycfg/voc.data mycfg/yolov3-tiny.cfg
这上面基本上都是参考链接中有的，我把要用到的重要步骤给翻译整理了一下。
下面做一些注意事项的补充
1，在mycfg中的yolov3-tiny.cfg文件中，可以修改训练参数。
比如中的max_batches = 250000,表示最大训练步数，可以自己修改。
还可以把training下面的batch改小一点，以免报错，我这里batch=32.
2，训练中，在mycfg中的yolov3-tiny.cfg文件中，testing下面的batch和subdivisions前面要加#号注释掉。training下面的两项要保留。
测试时，在mycfg中的yolov3-tiny.cfg文件中，training下面的batch和subdivisions前面要加#号注释掉。testing下面的两项要保留。
3，在不同的环境下，还要更改darknet中的makefile文件配置，例如，用的GPU训练，可以参考如下配置。
makefile中的配置如下。
GPU=1
CUDNN=1
OPENCV=1
OPENMP=1
DEBUG=0
标签：效果 jre height xml文件 ali back 分发 class 随机
原文地址：https://www.cnblogs.com/vincent212212/p/13164194.html
