本人使用的是linux平臺，按照YOLO網頁0https://pjreddie.com/darknet/yolo/的步驟操作進行下載darkenet程式包以及編譯，之後可嘗試用VOC2007的資料集測試一下。

下載好的darknet程式包如下圖所示：

注：上圖摘自一篇部落格上的，https://blog.csdn.net/runner668/article/details/80579063

那麼現在有了大佬給我們提供的強大工具，我們下一步該如何用起來呢？

第一部分：製作自己的資料集。

如果自己手頭上有資料集，人手又夠（自己標註也可以，就是枯燥點），那麼就花一兩天時間進行自己的檢測物件標註，本人使用的標註工具是：labelimg資料集標註工具--此工具僅限於使用矩形框標註物件，如果需要其他形狀的可使用labelme標註工具--該工具可以使用圓、線段、點、矩形等進行標註，工具網上都有自己搜尋一下吧~！

有了工具那就進行標註吧，看著電影的功夫就可以標註個兩三百張進行自己的小實驗了。標註完之後，一個資料夾一個放圖片，一個放標註好的.XML檔案，後續還需要把.xml檔案轉為.txt格式。

2、使用py小程式進行xml to txt的轉換，生成的txt格式的標註資訊待用。

3、使用VOC_label.py檔案進行txt標註資訊的轉換。

VOC_label.py的作用：

它將為每個.jpg影象檔案建立.txt檔案 - 在同一目錄中並使用相同的名稱，但使用.txt-extension，並將檔案放入：物件編號和物件座標，

對於每個物件在新行中：<object-class> <x> <y> <width> <height>

<object-class> - 從0到（classes-1）的整數物件編號

<x_center> <y_center> <width> <height> - 浮動值相對於影象的寬度和高度，它可以等於（0.0到1.0）

例如：<x> = <absolute_x> / <image_width>或<height> = <absolute_height> / <image_height>

注意：<x_center> <y_center> - 是矩形的中心（不是左上角）

例如，對於img1.jpg，您將建立包含以下內容的img1.txt：

1 0.716797 0.395833 0.216406 0.147222
0 0.687109 0.379167 0.255469 0.158333
1 0.420312 0.395833 0.140625 0.166667

將VOC_label.py中的classes按照自己的物件類別進行修改，然後把三處路徑改好，需要修改的如下圖所示:

def convert_annotation(year, image_id):
in_file = open('VOCdevkit/VOC%s/Annotations/%s.xml'%( image_id))
out_file = open('VOCdevkit/VOC%s/labels/%s.txt'%(image_id), 'w')

修改好以後生成的新TXT檔案和圖片放到一個資料夾裡，這樣才能跑起來，原因未知。

第二部分：修改配置檔案Cfg和.data檔案，建立自己的類別名稱檔案.names。

1、使用與yolov3.cfg相同的內容建立檔案yolo-obj.cfg（或將yolov3.cfg複製到yolo-obj.cfg）。

change line batch to batch=64

change line subdivisions to subdivisions=8

使用 contrl+F 搜尋YOLO，你會看到有三個YOLO標頭得部分配置，需要改得是：

在[yolo]圖層之前的3個[卷積]中將[filters = 255]更改為filters =（classes + 5）x3。

例如 classes=1 then should be filters=18. If classes=2 then write filters=21.

filters =（classes + 5）x3），一般來說，filter的值取決於類別，座標和masks的數量。即filters=(classes + coords + 1)*<number of mask>,那麼其中這個mask值是錨點的索引，如果mask值不存在，那麼filters=(classes + coords + 1)*num.因此，例如，對於2個物件，您的檔案yolo-obj.cfg應該與3個[yolo] -layers中的每一箇中的yolov3.cfg不同：

2、在自己的data目錄建立一個obj.names的文字檔案：把自己類別的名字寫進去。

3、接著建立一個obj.data：

classes= 2

train = data/train.txt # 訓練圖片的檔名路徑集合.txt的路徑

valid = data/test.txt #test.txt 檔案的路徑

names = data/obj.names #.names 檔案的路徑

backup = backup/ #back up 的路徑

第三部分：開始訓練並獲取權重

1、下載卷積層的預先訓練的權重（154 MB）：https：//pjreddie.com/media/files/darknet53.conv.74並放到目錄darknet \ 

2、使用命令列開始培訓： ./darknet detector train data/obj.data yolo-obj.cfg darknet53.conv.74

3、訓練結束後 - 從路徑構建\ darknet \ x64 \ backup \獲取結果yolo-obj_final.weights

在每100次迭代後，您可以停止並稍後從此開始訓練。 例如，在2000次迭代後，您可以停止訓練，稍後只需將yolo-obj_2000.weights從build \ darknet \ x64 \ backup \複製到build \ darknet \ x64 \並使用：darknet.exe探測器訓練資料/ obj開始訓練。 資料yolo-obj.cfg yolo-obj_2000.weights

注：detector.c檔案中可以修改權重檔案儲存的間隔。

注：如果在訓練期間你看到avg（損失）欄位的nan值 - 那麼訓練就出錯了，如果僅僅出現少部分nan，訓練可以照常進行。

注：如果在cfg檔案中更改了width =或height =，則新的寬度和高度必須可被32整除。

注：訓練後使用此類命令進行檢測：darknet.exe檢測器測試資料/ obj.data yolo-obj.cfg yolo-obj_8000.weights

注：如果出現錯誤記憶體不足，那麼在.cfg檔案中你應該嘗試改變batch和subdivisions的值。

內容為自己編寫和參考的一些部落格：

1、https://blog.csdn.net/qq_38214193/article/details/81132053

2、https://blog.csdn.net/runner668/article/details/80579063