YOLO2+windows训练配置.doc

发布时间：2022-06-19 发布人：admin 分类：说明书资料大小：0.67M 资料格式：doc 举报版权申诉

6ea8d4de-135b-4e54-b597-5f981520a9a0.doc.pdf-第1页.png

第1页 / 共6页

6ea8d4de-135b-4e54-b597-5f981520a9a0.doc.pdf-第2页.png

第2页 / 共6页

6ea8d4de-135b-4e54-b597-5f981520a9a0.doc.pdf-第3页.png

第3页 / 共6页

6ea8d4de-135b-4e54-b597-5f981520a9a0.doc.pdf-第4页.png

第4页 / 共6页

6ea8d4de-135b-4e54-b597-5f981520a9a0.doc.pdf-第5页.png

第5页 / 共6页

6ea8d4de-135b-4e54-b597-5f981520a9a0.doc.pdf-第6页.png

第6页 / 共6页

文本预览

环境：windows10 +gpu1060+CUDA7.5+cudnn7.5 训练样本：600 张车位图像， 1、先用重命名软件，将图像命名为 00000.jpg，00001jpg 形式，这是会生成 train.txt 文件内容为图像标号，不带.jpg，这个留着放到后面 2、然后用 labelImg 工具截车辆和人，只有两类上图截了三辆车，完成后生成 xml 文件如下有三个 objetc tests 00000 E:/Projects/Detect/traindatamaker/labelImg-master/tests/00000. jpg Unknown 2304 1296 3 0

在 ImageSets 下建立以下文件夹类似这样的布局把原始训练样本放在 JPEGImages 下，重命名生成的 train.txt 放在 Main 文件夹下 4、批量修改 XML 文件内容，对00000里面的标号，加上.jpg 批量操作，在 linux 中用下面命令完成 find -name '*.xml' |xargs perl -pi -e 's||.jpg|g' 外此 E:/Projects/Detect/traindatamaker/labelImg-master/tests/00000. jpg 绝对路径修改为现在原始图像所在绝对路径，即在 JPEGImages 下的路径，同样的命令，注意如果有反斜杠，则要再加一个斜杠，不然 linux 下会提示找不到字符串。 find -name '*.xml' |xargs perl -pi -e 's|E://Projects//Detect//traindatama ker//labelImg-master//tests|。。。//JPEGImages|g' 注：这里如果在制作 xml 文件时就下建立上面的文件夹，并把原始图像放入 JPEGImage 中，则生成的 xml 文件里的绝对路径就不用改了修改好后把 xml 文件复制到 Annotations 下。 5、打开 scripts 文件夹下的 voc_label.py 文件，

因为里面的路径和文件名等参数都在前面设置好了，所以不用修改，只修改 sets 和 classes 的内容，把两类名称留下，其他删了，sets 里面是和后面生成的 txt 的文件名相关的，也和建立的文件夹相关。如果你原始图像和后面要生成的那些 tex 文件要放在自己的路径上，则可以修改下面的一些路径名称。 6、在 scripts 文件夹下按住 shift+右键选择在此处打开命令窗口，运行 python voc_label.py，如果缺少一些命令，可能没装，一般要先装 Anaconda，没有的就安装更新，运行完上面的命令后会在 scripts 文件夹下生成 2007_train.txt，里面是训练样本的绝对路径在上面建立的 labels 文件夹中生成 7、在 darknet-master\build\darknet\x64 路径下对 yolo-voc.2.0.cfg 进行

修改主要设置 Batch 每次训练 batch 张图像后更新参数， Subdivisions 把 batch 分成 Subdivisions 份进行训练 max_batches 最大迭代次数，即训练几次 batch，一般设置好几万当然学习率那些都可以改还有最后 [convolutional] size=1 stride=1 pad=1 filters=35//原来 125 activation=linear [region] anchors = 1.08,1.19, 3.42,4.41, 6.63,11.38, 9.42,5.11, 16.62,10.52 bias_match=1 classes=2//原来 20 coords=4 num=5 softmax=1 jitter=.2 rescore=1 object_scale=5 noobject_scale=1 class_scale=1 coord_scale=1 absolute=1 thresh = .6 random=0 原来 classes = 20，现在改为 2，原来 filters= 125，现在改为 35，计算公式(classes + 4 +1)*5 8、修改 build\darknet\x64\data 下的两个文件

train 即刚才生成的 2007_train.txt 的绝对路径没有用到 valid，即所有图像都拿来训练，没有验证，所有注释掉 Names 就是 voc.names 文件路径 Backup 即后面训练要存储的路径 Voc.names 即只留下两类的名称 9、在 build\darknet\x64 下建一个 cmd 文件内容为 detector darknet.exe darknet19_448.conv.23 Pause darknet19_448.conv.23 可以从网上下载，是一个已经训练好的模型，相当于我们在此模型上 fine tune。这样基本设置完毕，运行 cmd 文件开始训练。 yolo-voc.2.0.cfg train data/voc.data

分享到：

赞收藏

资料库

YOLO2+windows训练配置.doc

相关推荐

人工智能

热门标签

最新资料