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