因為YOLO３速度精度都很棒，所以想訓練一下人臉模型，廢話不多，進入正題

１寫所有的配置文件

1.1 YOLO3-face.cfg

個人感覺YOLO的配置文件騎士和caffe差不多

在cfg/YOLO3.cfg的文件上改，生成自己的cfg/yolo3-face.cfg

 1 [net]
 2 # Testing
 3 # batch=1
 4 # subdivisions=1
 5 # Training
 6 batch=64
 7 subdivisions=16
 8 width=416
 9 height=416
10 channels=3
11 momentum=0.9
12 decay=0.0005
 

13 angle=0
14 saturation = 1.5
15 exposure = 1.5
16 hue=.1

其中:

batch=64 每batch個樣本更新一次參數。

subdivisions=16 如果內存不夠大，將batch分割為subdivisions個子batch，每個子batch的大小為batch/subdivisions。

訓練的話把上面註釋掉，測試就把訓練部分的註釋掉

學習率啥的就不改了，自己看著學吧

到配置文件底部更改最後的conv層參數

 1 [convolutional]
 2 batch_normalize=1
 

 3 filters=128
 4 size=1
 5 stride=1
 6 pad=1
 7 activation=leaky
 8 
 9 [convolutional]
10 batch_normalize=1
11 size=3
12 stride=1
13 pad=1
14 filters=256
15 activation=leaky
16 
17 [convolutional]
18 size=1
19 stride=1
20 pad=1
21 filters=18
22 activation=linear
23 
24 [yolo]
25 mask = 0,1,2
26 anchors = 10
 
,13,  16,30,  33,23,  30,61,  62,45,  59,119,  116,90,  156,198,  373,326
27 classes=1
28 num=9
29 jitter=.3
30 ignore_thresh = .5
31 truth_thresh = 1
32 random=1

多截取了一點，只要改最後一部分就可以，（友情提醒，ＹＯＬＯ裏面這個模塊有三處，都改，估計為了收斂用的輔助）

filter=３＊（４＋１＋classes）

classes=1

這裏我的是人臉檢測，so classes=1

下面的anchors懶得改了，理論上像我檢測的人臉一般都是偏正方形，像（１６，３０）這種是沒什麽必要的

1.2 widerface.data

在cfg/voc.data基礎上改

1 classes= 1
2 train  = /home/liuzg/yolo/darknet3/darknet/Pkj_face_scripts/train.txt
3 valid  = /home/liuzg/yolo/darknet3/darknet/Pkj_face_scripts/test.txt
4 names = data/widerface.names
5 backup = backup

train和valid就是yolo需要的訓練集和交叉訓練集所需要的目錄，後面講生成方法

1.３ widerface.names

data/widerface.names　照抄coco.names格式，我這裏檢測人臉，整個文件只有一行face

2　數據集處理方法

記住你的唯一核心目的就是要生成上面1.2裏面那兩個txt文件，下面講的所有方法都是輔助，你拿什麽生成那兩個文件和YOLO訓練沒有半毛錢關系

1 下載widerface數據集

2 轉化成ＶＯＣ格式

我是按這位老兄的腳本搞得，新手拿這個上路其實還是有點坑的，先拿這個講

https://blog.csdn.net/minstyrain/article/details/77986262

為什麽講他坑呢，因為他腳本裏面第１２２行（可能我自己改過了，反正附近吧）

1 filename=filename.replace("/","_")  

他把文件路徑名裏面的路徑給換了，後來也知道他為什麽要換了，但是會有其他坑，所以記住核心目的就行，腳本不行，後面配合部分人工簡單操作湊合過吧，go on

運行腳本後你得到了一個類似於ＶＯＣ格式的數據集

3 接下來看官網　https://pjreddie.com/darknet/yolo/

官網大神已經給你寫好腳本了，把ＶＯＣ格式轉化成ＹＯＬＯ格式

wget https://pjreddie.com/media/files/voc_label.py

python voc_label.py

當然我前面說了我們的是類ＶＯＣ格式，所以還是要改滴，講不清，直接貼代碼吧，反正也就是各種路徑找不到的問題，還有上面轉ＶＯＣ格式的時候，

那老哥好像還把一部分不好的數據給刪了，所以並不是所有widerface數據都在ＶＯＣ格式裏面

 1 import xml.etree.ElementTree as ET
 2 import pickle
 3 import os
 4 import re
 5 from os import listdir, getcwd
 6 from os.path import join
 7 
 8 sets=[(‘trainval‘), (‘test‘)]
 9 
10 classes = ["face"]
11 
12 
13 def convert(size, box):
14     dw = 1./(size[0])
15     dh = 1./(size[1])
16     x = (box[0] + box[1])/2.0 - 1
17     y = (box[2] + box[3])/2.0 - 1
18     w = box[1] - box[0]
19     h = box[3] - box[2]
20     x = x*dw
21     w = w*dw
22     y = y*dh
23     h = h*dh
24     return (x,y,w,h)
25 
26 def convert_annotation(image_id):
27     image_id_chage=image_id.replace(‘/‘,‘_‘)    
28     dirname=image_id[:image_id.find(‘/‘)]
29     if not os.path.exists(‘wider-faces/labels/%s/‘%(dirname)):
30         os.makedirs(‘wider-faces/labels/%s/‘%(dirname))
31     in_file = open(‘wider-faces/Annotations/%s.xml‘%(image_id_chage))
32     out_file = open(‘wider-faces/labels/%s.txt‘%(image_id), ‘w‘)
33     tree=ET.parse(in_file)
34     root = tree.getroot()
35     size = root.find(‘size‘)
36     w = int(size.find(‘width‘).text)
37     h = int(size.find(‘height‘).text)
38 
39     for obj in root.iter(‘object‘):
40         difficult = obj.find(‘difficult‘).text
41         cls = obj.find(‘name‘).text
42         if cls not in classes or int(difficult)==1:
43             continue
44         cls_id = classes.index(cls)
45         xmlbox = obj.find(‘bndbox‘)
46         b = (float(xmlbox.find(‘xmin‘).text), float(xmlbox.find(‘xmax‘).text), float(xmlbox.find(‘ymin‘).text), float(xmlbox.find(‘ymax‘).text))
47         bb = convert((w,h), b)
48         out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + ‘\n‘)
49 
50 wd = getcwd()
51 
52 for image_set in sets:
53     if not os.path.exists(‘wider-faces/labels/‘):
54         os.makedirs(‘wider-faces/labels/‘)
55     image_ids = open(‘wider-faces/ImageSets/Main/%s.txt‘%(image_set)).read().strip().split()
56     list_file = open(‘%s.txt‘%(image_set), ‘w‘)
57     for image_id in image_ids:
58         if not os.path.exists(‘wider-faces/Annotations/%s.xml‘%(image_id)):
59             continue
60         image_id=image_id[:image_id.find(re.findall("\d",image_id)[0],4)-1]+‘/‘+image_id[image_id.find(re.findall("\d",image_id)[0],4):]
61         list_file.write(‘%s/wider-faces/WIDER_%s/images/%s.jpg\n‘%(wd, image_set, image_id))
62         convert_annotation(image_id)
63     list_file.close()
64 
65 os.system("cat trainval.txt > train.txt")
66 os.system("cat trainval.txt test.txt > train.all.txt")

估計我的要直接用也難，講一下要改的地方吧

官網大神分三類，訓練集，交叉集，測試集，我這裏只有訓練集trainval，交叉集test，不要問我為什麽名字不對應，我自己也被搞了半天，煩死了

convert_annatation函數就是把ＶＯＣ的標記坐標格式轉成ＹＯＬＯ認識的格式，中間我多了一個image_id_change就是因為上面那老哥把"/"換成"_"了，各種路徑找不到

最後呢還需要一點人工操作

把widerface/labels復制拷貝到WINDER_trainval和WINDER_test下面，ok，到此為止，假設你一切順利的話就可以訓練了

3 官網下個預訓練模型，把上面配置文件1.2裏面的兩個路徑改成你自己的，訓練吧，小夥子

YOLO3訓練widerface數據集