darknet yolov3训练自己的数据集,imagenet数据集介绍

　　YOLOV4训练ImageNet数据集环境1，代码下载2，编译2，训练ImageNet数据集1。标签文件1。imagenet数据集darknet所需的VOC.data 2

　　Ubuntu16.04环境

　　Python3.6

　　Cuda10

　　I代码下载代码：https://github.com/Alexey AB/Darknet

　　或者使用命令行下载：

　　git clone https://github.com/Alexey AB/darknet . git需要分别下载权重文件yolov4.weights和预训练模型yolov.conv.137。

　　链接：https://pan.Baidu.com/s/1 wiki 19 jsm-c 6 wfw DG 8 amjq，提取代码：agir

　　第二，在编译中使用GPU训练时，需要修改makefile的一些参数。

　　如果需要使用GPU=1 cud nn=1 cud nn _ half=1 OpenCV=0 # OpenCV，请将该参数改为1VX=0OpenMP=0libso=0进行编译，并在命令行输入3336660。

　　在darknet-master目录中编译make或make -j8之后，输入。/darknet。如果显示用法：/darknet，则编译成功。

　　测试：

　　在重量文件yolov4.weights of training中测试它。

　　#测试图像的结果存储在darknet-master/predictions . jpg ./darknetectcfg/yolov 4 . cfgyolov 4 . weights data/horses . jpg中。

　　第二，训练ImageNet数据集。PASCAL VOC数据集用于大多数在线yolov4培训教程。这里有一个使用yolov4训练ImageNet数据集的教程。

　　1.ImageNet数据集将ImageNet数据集存储在：中，格式如下

　　imagenetannotationstrainvalimagesetmaintest . txt train . txt val . txtjpegimagestestrainvallabelsannotations是用于存储标签的xml文档。

　　JPEG图像保存图像

　　ImageSets里面有txt按行存储图像名称()需要自己准备)。

　　标签中的文件将在下面的教程中生成。

　　生成darknet所需的标签文件darknet-master/scripts目录下的voc_label.py文件是作者写的生成标签的代码，但作者是PASCAL VOC数据集。运行ImageNet数据集和PASCAL VOC数据集所在的voc_label.py时，会显示2007_train.txt、2007_test.txt、2007_val.txt和trarain。

　　1.voc.data复制cfg目录下的voc.data文件，粘贴到data目录下，重命名为obj.data，将其内容改为：

　　Classes=30 #发现的类数train=data/2007_train.txt #训练集路径valid=data/2007_val.txt #测试集路径名=data/introduction重量保存文件夹2.voc.names复制cfg目录下的voc.names文件，粘贴到data目录下，重命名为obj.names

　　n 02691156n 02419796n 02131653n 02834778n 01503061n 02924116n 02402425n 02084071n 02121808n 02503517n 02118333n 02510455n 02335nCFG yolo v4-自定义

　　第一名：

　　[net]# test # batch=1 # subdivisions=1 # training batch=64 subdivisions=16 width=608 # to 416 height=608 # Set policy=steps=400000 to channel 416=3 momentum=0.949 day=0.0005 angle=0 saturation=1.5 exposure=1.5 hue=0.1 learning _ rate=0.001 burn _ ratio 2000)、40000)修改为max_batches*0.8

　　使用快捷键ctrl f查找yolo。总共有三个地方：

　　set[卷积]size=1st ride=1 pad=1 filters=255 # to(类别号5)* 3 activation=linear[yolo]mask=6，7，8修改为anchors 72，146，142，110，192，243，459和401 classes=80 # Class num=9 jitter=. 3 ignore _ thresh=. 7 truth _ thresh=1 random=1 scale _ x _ y=1.05 iou _ thresh=0.213 cls/darknetectortraindata/obj . data CFG/yolo-obj . CFG ooog。/darknetectortraindata/obj . data CFG/yolo-obj . cfgyolov 4 . conv . 137-map在备份目录darknet中生成多个权重文件