03【深度学习】YOLOV3-WIN11环境搭建（配置+训练)

news2024/10/6 10:34:10

一、深度学习：YOLOV3-WIN11环境搭建

本篇文字是【深度学习】YOLOV5-WIN11环境搭建（配置+训练)，首先介绍win11下基于Anaconda、pytorch的YOLOV5深度学习环境搭建，环境配置顺序：显卡驱动 - CUDA - cudnn - Anaconda - pytorch - pycharm，按这个顺序配置可以避免很多莫名其妙的错误出现。另外不用单独安装python，使用Anaconda里的python环境。

1、虚拟环境搭建

本文默认 CUDA - cudnn已经安装，未安装的同学见深度学习环境搭建：Win11+CUDA 11.7+Pytouch1.12.1+Anaconda中1-4

虚拟环境安装pytorch详细见：深度学习环境搭建：Win11+CUDA 11.7+Pytouch1.12.1+Anaconda中5-8

2、OpenCv安装：

主要用来更好的对图显示进行可视化，也可以不按照。本文使用opencv4.3.0版本。

命令安装方式

pip install opencv-python（默认使用最新版本）或

pip install opencv-python==4.3.0（可以自己指定版本）

下载安装方式

https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple/opencv-python/

进入虚拟环境，执行命令安装

安装校验

3、Pycharm安装：

自行搜索，此处不做介绍。

至此在WIN10下的YOLOV5深度学习环境安装完成。接下来可以在此环境下进行深度学习的实验了。

二、【深度学习】准备个人数据集、YOLOV3 模型的训练和测试

1、前置知识

YOLO3 的网络结构使用的是 darknet 网络，因此完成 YOLO3 模型就是通过darknet配置文件（后面会详细讲）完成darknet网络搭建，而 Darknet 文件结构如下：

include：存Darknet源码（由C语言编写）
cfg：网络配置文件（例如YoloV3的网络配置文件）、数据信息配置文件
data：数据集
script：下载数据集的脚本，一般在linux环境下使用
python：针对Darknet框架编译后的接口
example：模型测试脚本的例子

2、数据集的准备

1.1 数据集资源介绍（了解）

数据集资源：分为现有的数据集和自定义的数据集。我们先介绍现有的数据集，最后面再介绍如何使用自定义数据集。

PascalVOC：20个类别，在 YOLOV1 中使用的是此数据集。
COCO：91个类别，小目标多、单幅图片目标多、物体大多非中心分布、更符合日常环境，coco检测难度更大
ILSVRC2012：magenet数据集有1400多万幅图片，涵盖2万多个类别;其中有超过百万的图片有明确的类别标注和图像中物体位置的标注
自定义数据集（后面介绍）

区别：

PascalVOC使用 YOLOV1， YOLOV3使用需要进行转换，数据量少，针对大目标
ILSVRC2012数据量太大，下载时间长，训练时间长
COCO是PascalVOC、COCO、ILSVRC2012的折中方式

1.2 COCO数据集介下载

COCO从复杂的日常场景中截取，包括91类目标，3.28万个影像和250万个label标签。训练集和验证集下载地址如下：

http://images.cocodataset.org/zips/val2014.zip
http://images.cocodataset.org/zips/train2014.zip

预训练权重：https://link.csdn.net/?target=https%3A%2F%2Fpjreddie.com%2Fmedia%2Ffiles%2Fyolov3.weights

3、资源下载

3.1代码下载

项目代码：https://github.com/eriklindernoren/PyTorch-YOLOv3?from=singlemessage

整个项目的结构如下图：

3.2 权重下载

预训练权重：https://pjreddie.com/media/files/yolov3.weights

将下载的权重放入weight文件夹,如下图：

4、部署YOLOV3的环境

4.1 用pycharm打开yolov3文件，并配置相应的虚拟环境

4.2 修改train.py

打开根目录下的train.py

Ctrl+f搜索--data

将coco128.yaml改为你自己配置文件的文件名**.yaml

4.3 修改yolov5s.yaml yolov3.yaml

model/yolov5s.yaml 或yolov3.yaml的nc值为自己数据集的class数目 nc

4.4、修改dataloaders.py（如果你的图片文件夹名是images可以略过）

打开utils/dataloaders.py

Ctrl+f搜索Define label ，找到下面的一行内容：

sa, sb =f'{os.sep}images{os.sep}',f'{os.sep}labels{os.sep}' # /images/,/labels/ substrings

把JPEGImages替换掉images

4.5 运行

pycharm打开终端，如果你选择了相应的虚拟环境,()内就会显示你的虚拟环境名称

4.6 在终端粘贴指令
yolov3选择指令（有gpu）：

python train.py --img 640 --batch 32 --epochs 100 --data data/***.yaml--weights yolov3.pt --device 0

Enter运行即可

4、文件说明

4.1 config 文件夹

4.1.1 coco.data

coco数据集的信息：类别数量，训练集路径、验证集路径、类别名称路径…

classes= 80  # 类别
train=data/coco/trainvalno5k.txt # 训练集图片的存放路径
valid=data/coco/5k.txt # 测试集图片的存放路径
names=data/coco.names # 类别名
backup=backup/ # 记录checkpoint存放位置 
eval=coco # 选择map计算方式

4.1.2 create_custom_model.sh

脚本文件：用户自定义自己的模型，运行此文件用来生成自定义模型的配置文件yolov3-custom.cfg，可对比yolov3.cfg。

4.1.3 custom.data

自己数据集的信息,用来训练自己的检测任务：类别数量，训练集路径、验证集路径、类别名称路径，可对比coco.data。

4.1.4 yolov3.cfg

yolov3网络模型的配置信息：卷积层（归一化、卷积核尺寸、卷积核数、步长、填充、激活函数.....）、yolo层（类别、bounding box数量、控制是否参与损失计算的阈值......）及其他层的配置信息。

[convolutional]   #卷积层
batch_normalize=1 #每层归一化
size=3            #卷积核尺寸
stride=1          #滑动步长             
pad=1             #填充边框 
filters=256       #卷积核个数   
activation=leaky  #激活函数          

[convolutional]   #卷积层
size=1            #卷积核尺寸
stride=1          #滑动步长    
pad=1             #填充边框 
filters=255       #卷积核个数  
activation=linear #激活函数


[yolo]
mask = 0,1,2      #指定使用anchors时候索引，表示采用前三个尺寸：10,13,  16,30,  33,23
anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326 #指定anchors box 尺寸
classes=80        #指定类别数量
num=9             #指定每个anchor的bounding box数量
jitter=.3         #指定数据增强随机调整宽高比
ignore_thresh = .7#指定预测检测框与真值检测框IOU>0.7不参与损失计算,常用设置0.5-0.7
truth_thresh = 1  #指定真值
random=1          #指定训练时候采用随机多尺度训练，0表示使用固定尺度训练