YOLO目標檢測，訓練自己的數據集（識別海參）

2019 年 10 月 28 日
筆記

這篇文章是訓練YOLO v2過程中的經驗總結，我使用YOLO v2訓練一組自己的數據，訓練後的model，在閾值為.25的情況下，Recall值是95.54%，Precision 是97.27%。

需要注意的是，這一訓練過程可能只對我自己的訓練集有效，因為我是根據我這一訓練集的特徵來對YOLO代碼進行修改，可能對你的數據集並不適用，所以僅供參考。

我的數據集批量改名首先準備好自己的數據集，最好固定格式，此處以VOC為例，採用jpg格式的圖像，在名字上最好使用像VOC一樣類似000001.jpg、000002.jpg這樣。可參照下面示例python代碼

讀取某文件夾下的所有圖像然後統一命名，用了opencv所以順便還可以改格式。

準備好了自己的圖像後，需要按VOC數據集的結構放置圖像文件。VOC的結構如下

這裏面用到的文件夾是Annotation、ImageSets和JPEGImages。其中文件夾Annotation中主要存放xml文件，每一個xml對應一張圖像，並且每個xml中存放的是標記的各個目標的位置和類別信息，命名通常與對應的原始圖像一樣；而ImageSets我們只需要用到Main文件夾，這裏面存放的是一些文本文件，通常為train.txt、test.txt等，該文本文件裏面的內容是需要用來訓練或測試的圖像的名字（無後綴無路徑）；JPEGImages文件夾中放我們已按統一規則命名好的原始圖像。

因此，首先 1.新建文件夾VOC2007（通常命名為這個，也可以用其他命名，但一定是名字+年份，例如MYDATA2016，無論叫什麼後面都需要改相關代碼匹配這裡，本例中以VOC2007為例） 2.在VOC2007文件夾下新建三個文件夾Annotation、ImageSets和JPEGImages，並把準備好的自己的原始圖像放在JPEGImages文件夾下 3.在ImageSets文件夾中，新建三個空文件夾Layout、Main、Segmentation，然後把寫了訓練或測試的圖像的名字的文本拷到Main文件夾下，按目的命名，我這裡所有圖像用來訓練，故而Main文件夾下只有train.txt文件。上面說的小代碼運行後會生成該文件，把它拷進去即可。

圖像標註 2.標記圖像目標區域 python代碼直接運行之後開始標註，因為做的是目標檢測，所以接下來需要標記原始圖像中的目標區域。相關方法和工具有很多，像labelme 或者labeltool ,這裡需用標註工具，相關用法也有說明，基本就是框住目標區域然後雙擊類別，標記完整張圖像後點擊保存即可。操作界面如下：

代碼篇幅有限

請查看原文

https://blog.csdn.net/xiao__run/article/details/78714659

接下來我們把標註文件改成.XML 文件才能訓練，不多說直接上代碼

用YOLOv2訓練 按darknet的說明編譯好後，接下來在darknet-master/scripts文件夾中新建文件夾VOCdevkit，然後將整個VOC2007文件夾都拷到VOCdevkit文件夾下。然後，需要利用scripts文件夾中的voc_label.py文件生成一系列訓練文件和label，具體操作如下：首先需要修改voc_label.py中的代碼，這裡主要修改數據集名，以及類別信息，我的是VOC2007，並且所有樣本用來訓練，沒有val或test，並且只檢測人，故只有一類目標，因此按如下設置