# 我的YOLO源码实验

**Repository Path**: penguink3/My_YOLO

## Basic Information

- **Project Name**: 我的YOLO源码实验
- **Description**: 进行了YOLO源码实验，用于打比赛和学习目标检测准备
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2022-04-10
- **Last Updated**: 2022-05-08

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 1. 关于如何使用这份源码？！
## 1.1. 文件结构

```
checkpoints：这个文件夹保存网络每回合训练后的参数
config ->|
    coco.data：coco这个数据集的位置，以及分类数量，train数据，val数据等信息（自己的数据集属性可以仿照这个书写）
    custom: 仿照coco.data写的自己数据集信息
    yolov3-tiny.cfg: 官方yolov3的tiny版本的网络参数信息
    yolov3.cfg: 官方yolov3的网络参数信息
output: detect输出的文件会保存在这里
utils: 源代码中的一些工具代码，如果只是使用可以不用过多了解
    dataset: 这里要提一嘴这个文件，如果需要训练的数据集路径改变了，记得修改ListDataset类中的getitem
data：数据集所在地（没上传，自己改造）
weights ->|
    darknet53.conv.74: 官方facebook的预训练参数
    yolov3-tiny.weights:  官方yolov3的tiny版本预训练参数
    yolov3.weights: 官方yolov3的版本预训练参数

detect.py: 使用训练好的模型进行样本检测，会输出到output，读取的是data/samples中的图片
eval.py: 检测训练好的模型的mAP
models.py: 根据cfg文件生成模型的主要代码
train.py: 加载数据集训练模型
```

## 1.2. 训练COCO数据集
1. COCO数据集中的构造

<div align="center">
    <img src="ReadmeImg/1.png"/>
</div>

2. 在命令行运行[train.py](train.py)文件，输入时添加如下三个参数

```
--model_def config/yolov3.cfg       # 模型配置文件
--data_config config/coco.data      # coco数据集配置文件
--pretrained_weights weights/darknet53.conv.74  # 预训练参数文件
```

3. 训练时每过一回合会保存checkpoint并且进行eval，可以输入以下参数调整间隔回合数

```
--checkpoint_interval 1
--evaluation_interval 1
```

4. coco训练好的模型，我们可以运行[detect.py](detect.py)进行图片的预测，运行时请输入并调整如下参数

```
--image_folder data/samples
--model_def config/yolov3.cfg     # 模型配置文件
--weights_path weights/darknet53.conv.74     # 训练好的模型参数文件
--class_path data/custom/classes.names      # 分类任务分类种类数（这里是coco有80个类）
--conf_thres 0.6        # 置信度高于这个值才判别为检测到物体
```


# 2. 关于如何训练自己的数据集
## 2.1. 安装标签工具[labelme](https://link.zhihu.com/?target=https%3A//github.com/wkentaro/labelme)
- 如果已经有python或者conda

```py
# python3
conda create --name=labelme python=3.6
source activate labelme
# conda install -c conda-forge pyside2
# conda install pyqt
# pip install pyqt5  # pyqt5 can be installed via pip on python3
pip install labelme
# or you can install everything by conda command
# conda install labelme -c conda-forge
```

- 安装完成后，cmd输入labelme即可打开

## 2.2. 给数据集做标签
1. 使用labelme打标签
    - 右键可以选择打哪种标签（正方形、圆形、图像分割）

<div align="center">
    <img src="ReadmeImg/2.png"/>
</div>

2. 保存后的标签是json格式，我们使用文件json2yolo.py将json转换为源码中需要的txt
    - 修改代码中的name2id为分类种类和标号，要和classes每一行对应
    - json_floder_path修改为json标签存放路径
    - 输出到json2yolo.py所在目录下的labels文件夹，所以建议把代码移动到json标签所在文件夹执行
    - 注意图片名字和txt格式的label文件的<font color=#ff00>得一致</font>

3. 把数据集文件夹整理成如下形式，比如文件夹名为custom，则custom文件夹下目录如下
    - images: 数据集图片所在位置
    - labels: 数据集标签txt版本所在位置
    - samples: 最终测试模型训练效果的图片
    - classes.names：模型分类种类名称（最后一行是空，否则识别会少一类）
    - train.txt：训练数据集相对位置
    - valid：eval数据集相对位置

<div align="center">
    <img src="ReadmeImg/3.png"/>
</div>

- 以上文件都可以参考data文件夹中的custom，coco太大就不上传了

4. 把custom放到源码data文件夹下

## 2.3. 修改源码的一些配置文件
1. config文件夹下面有一个create_custom_model.sh，运行如下指令，产生对应结构的yolo网络配置文件yolov3-custom.cfg
    - win下如何运行sh请百度
    - create_custom_model.sh最后一行可以修改输出文件的名称

```py
# 3是你数据集分类种类数量
create_custom_model.sh 3    
```

2. 在config下创建custom.data，输入如下内容

```
classes= 1      # 分类数量
train=data/custom/train.txt     # 训练集标识文件路径
valid=data/custom/valid.txt     # eval数据集表示文件路径
names=data/custom/classes.names # 分类类名列表
```

## 2.4. 运行训练和检测
1. 运行训练文件train.py，运行时添加或者直接文件中修改如下参数

```
--model_def config/yolov3-custom.cfg       # 模型配置文件，刚才生成的那个yolov3-custom.cfg
--data_config config/custom.data      # 数据集配置文件
--pretrained_weights weights/yolov3.cfg  # 预训练参数文件
--checkpoint_interval 5     # 如果训练数据少，没必要每回合保存一次模型
--evaluation_interval 5     # 设置机会合eval一次
```

2. 在进行detect之前，在data/custom/sample文件夹中放入检测的图片

3. 运行文件detect.py进行模型训练成果检测，需要调整以下参数

```
--image_folder data/custom/samples         # 需要detect的图片所在位置
--model_def config/yolov3-custom.cfg     # 模型配置文件
--weights_path checkpoints/yolov3_ckpt_90.pth     # 训练好的模型参数文件，注意这里你需要的是checkpoints中的文件，那些才是你训练好的模型的参数
--class_path data/custom/classes.names      # 分类任务分类种类数
--conf_thres 0.6        # 置信度高于这个值才判别为检测到物体
```

4. 结果会输出到output当中，当然你可以修改源码中plt.savefig后的保存地址

# 模型参数和tips
1. 模型参数可以在这里下载，下载后放入weights文件夹

```
链接：https://pan.baidu.com/s/1HN6HfUKXFEDunAzzYK8fvA?pwd=f4tp 
提取码：f4tp 
--来自百度网盘超级会员V5的分享
```

2. 为了更好区分，以上custom都可以改名