在在win10下进行下进行pytorch版本版本yolov3安装及训练 安装及训练 1.下载下载 代码网址：https://github.com/ultralytics/yolov3 权重文件：这个好久之前下载的了网址找不到了 2.代码环境 代码环境 Readme写的是python3.7，我用的是3.6 其他的根据requirements.txt安装可运行，可以先使用以下代码安装 pip install -U -r requirements.txt 安装列表中包含 numpy opencv-python >= 4.1 torch >= 1.4 matplotlib pycocotools tqdm pillow 你在安装中可能会遇到以下问题 你在安装中可能会遇到以下问题 提示torch版本不对 【解决方案】通过官网代码通过PIP安装CPU版本，如果你需要其他版本去这里：https://pytorch.org/get-started/locally/ pip install torch==1.4.0+cpu torchvision==0.5.0+cpu -f https://download.pytorch.org/whl/torch_stable.html pycocotools安装失败 【解决方案】通过GIT指令安装 pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI git安装教程见博客：https://blog.csdn.net/Wanru_26/article/details/104895898 到这里想必你已经把所有库安装完毕，准备齐全就可以继续往下训练了 3.数据集预处理 数据集预处理 自己训练集的准备工作分两步： 在data文件下建立三个子文件夹（Annotations、images与ImageSets，labels后续使用脚本生成）其中Annotations存放xml文件，images图像，ImageSets新建Main文件存放train与 test文件（脚本生成），labels是标签文件 新建两个py文件，分别放入以下两段代码，并依次运行 import os import random trainval_percent = 0.2 #可自行进行调节 train_percent = 1 xmlfilepath = 'Annotations' txtsavepath = 'ImageSets\Main' total_xml = os.listdir(xmlfilepath) num = len(total_xml) list = range(num) tv = int(num * trainval_percent) tr = int(tv * train_percent) trainval = random.sample(list, tv) train = random.sample(trainval, tr) #ftrainval = open('ImageSets/Main/trainval.txt', 'w') ftest = open('ImageSets/Main/test.txt', 'w') ftrain = open('ImageSets/Main/train.txt', 'w') #fval = open('ImageSets/Main/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() 生成labels标签文件 import xml.etree.ElementTree as ET import pickle import os from os import listdir, getcwd from os.path import join sets = ['train', 'test'] classes = ['apple','orange'] #自己训练的类别 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() for image_set in sets: if not os.path.exists('data/labels/'): os.makedirs('data/labels/') image_ids = open('data/ImageSets/Main/%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/images/%s.jpg\n' % (image_id)) convert_annotation(image_id) list_file.close() 4.配置文件修改 配置文件修改 data目录下新建cat.name写上预测的类别名字，不懂的可以参考coco.name cat.data，文件内容如下，配置训练的数据，同理参考coco.data classes=2 train=data/train.txt valid=data/test.txt names=data/fruit.names cfg文件修改 主要修改3*3共9处，分别为最后的通道数、类别数、随机多尺度训练开关 [convolutional] size=1 stride=1 pad=1 filters=18 #3*（类别数+4+1） activation=linear [yolo] mask = 6,7,8 anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326 classes=1 #类别数 num=9 jitter=.3 ignore_thresh = .7 truth_thresh = 1 random=0 # 1为打开随机多尺度训练，0为则关闭；根据自己电脑配置程度选择 关于cfg文件的详细注释可以查看博客：https://blog.csdn.net/qq_34795071/article/details/83507123 5.Train&Test Train python train.py --data data/cat.data --cfg cfg/yolov3-cat.cfg --weights weights/yolov3.weights --epochs 10 电脑不太行跑了3天才跑完340张图10个epochs，所以epoch建议别写太多 Test python test.py --data-cfg data/cat.data --cfg cfg/yolov3-cat.cfg --weights weights/latest.pt 单图测试 python detect.py --data-cfg data/cat.data --cfg cfg/yolov3-cat.cfg --weights weights/best.pt 6.可视化可视化 python -c "from utils import utils; utils.plot_results()" 运行完在主文件夹内会看到一张结果图result.png，由于我的数据集只有一类，所以cla没有数据。 

以上。 题外话题外话 全部弄完只想说一句，还好我没放弃= = 作者：温雾染