由于自己部门需求及学习需求，需要自己制造训练集，并训练好自己的权重，用于检测目标与分割。开始自己探索制造训练集与训练网络的坑坑洼洼的道路，鉴于网上没有较好较为详细的教程，我想要把自己觉得的顺序步骤写出来，给大家减少遇到的坑。
（其实环境也不用相同，毕竟制造制造数据集的方法是相同的）
我把制造自己的数据集分为以下几个步骤：
1.读懂darknet/cfg/yolov3.cfg文件的一些参数
了见参数是我们必须做的第一步，有助于你熟悉这个神经网络，深度学习的一些概念
特别是以下两个参数，必须重点理解
batch=64
subdivisions=16
cfg文件说明
建议用本子记录一遍，加深理解。我就是这样做的（抱歉写字比较潦草）
2.理解以后，就开始搭建数据集，细分以下几步.
2.1准备自己想要训练的目标图片（我这里只准备了78张），放在一个文件夹（这里假设为picture）
2.2建立一个rename.py文件,在终端运行：
2.3同上面的操作类似，建立一个resize.py文件，在终端输入：将图片统一大小，非常重要！！我第一次就是没有做到统一大小，导致后面出问题，原因我没搞明白！知道的朋友麻烦留言告知。(当然如果你的图片全是大小一致的就跳过这一步）
resize.py文件代码:
此时，我们的图片大小已经统一了。
2.4必须必须检查图片的序列号是否连续！！！，可能运行过程中的图片会丢失，与我们建立的py文件中打开文件的方式有关，不连续自己手动改为连续。
不连续的例子：
00001.jpg
00002.jpg
00004.jpg
少了00003.jpg，要补上，因为等会在这个会影响给标注文件xml转化为yolov3的标签labels
3.在darknet/scripts/目录下建立自己的数据集目录结构
3.1scripts下新建VOCdevkits目录
3.2VOCdevkits目录下建立JPEGImages，Annotations，ImageSets三个目录
3.3在ImageSets下建立Layout与Main两个目录
4.将刚才打标的图片放在建立的JPEGImages目录，对应的xml文件放在Annotations
5.运行test.py 转化标签信息，在Main目录生成三个文件
在终端运行
6.VOC数据转化为labels信息
YOLOV3的label，YOLOV3的label标注的一行五个数分别代表类别（从 0 开始编号）， BoundingBox 中心 X 坐标，中心 Y 坐标，宽，高。这些坐标都是 0～1 的相对坐标。和我们刚才标注的label不同，因此我们需要下面的py文件帮我们转换label。
这里我提供源码：
注意，voc_label.py需要与VOCdevkits目录同级位置。
观察scripts目录下，是否生成了对应文件 2007_train.txt ；2007_val.txt ；2007_test.txt ；train.txt
坚持至此，兄弟们，数据集完成！！！！7.修改自己的cfg文件及data
7.1cfg/voc.data文件修改
可修改：random = 1：原来是1，显存小改为0。（是否要多尺度输出。我这里不用，因为样本不足时，这个参数会影响训练效果）
在文件开头，修改训练的batches，subdivisions，自己看情况，显卡不强的掂量以下哈哈
8.下载预训练的权重
恭喜，坚持到这里真不容易！！！过了这一步，就能训练自己的数据了！！
这个文件下载看网络！！！很慢！！！我用校园网才下了下来。
注意！！！！敲黑板！！！这个文件必须先在darknet目录下建立backup（保存训练权重的）文件夹，再把这个文件放到darknet目录下，与backup同级
9.成功！！！开始训练！！！！！！！
我训练10000次后测试图
版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/iosbc/80841.html