1 把自己的資料集打標記

用labelImg生成的是xml格式標記檔案

這裡建議大家用VOC和ILSVRC比賽的資料集，因為xml檔案都是現成的，省去很多功夫。

或者可以去下載現成的資料集

  ILSVRC2015比賽的地址是： http://image-net.org/challenges/LSVRC/2015/download-images-3j16.php

                    VOC 比賽地址是： http://host.robots.ox.ac.uk/pascal/VOC/index.html

2 整理資料集路徑格式：

2.1 建立資料夾層次為 darknet / VOCdevkit / VOC2018，voc2018下面有三個資料夾：

2.2 JPEGImages放所有的訓練圖片，annotation放所有的xml標記檔案。

2.3 Imagesets包含兩個資料夾：

3 生成txt標籤和list檔案

3.1 Main包下新建3個txt：

裡面的txt內容格式為圖片名（不帶字尾）：

(生成train.txt的教程：

3.2 修改voc_label.py(根據自己情況修改):

3.3 執行voc_label.py

執行後發現label資料夾下面已經生成了對應的txt標籤

同時發現在vocdevkit同目錄下也生成了5個list檔案

打開發現路徑也自動寫好了：

4 修改需要的各種配置檔案

4.1 新建 cfg/voc_birds.data：（可以複製cfg/voc.data進行根據自己情況的修改）

4.2 新建data / voc_birds.names：（可以複製data/voc.names 進行根據自己情況的修改）

4.3 新建cfg / yolov3-voc-birds.cfg：（可以複製cfg/yolov3-voc.cfg 進行根據自己情況的修改）

修改如下：

4.3.1 註釋掉testing，開啟train

4.3.2 subdivisions=8

4.3.3 共三個yolo層都要改，yolo層中的class為類別數，每一個yolo層前的conv層中的filters =（類別+5）* 3

5 在darknet目錄下載權重檔案：

wget https://pjreddie.com/media/files/darknet53.conv.74
 

6 訓練

nohup ./darknet detector train cfg/voc_birds.data cfg/yolov3-voc-birds.cfg darknet53.conv.74 2>1 | tee visualization/train_yolov3_birds.log &

nohup $ 是防止因為ssh斷開而中斷伺服器的程序（如果出現“找不到nohup檔案”的錯誤，去掉命令中的“nohup ... &”）

2>1 | tee visualization/train_yolov3_birds.log 是為了保留訓練中的log，為了後續繪製loss曲線。

訓練開始：

訓練直到loss下降到0.0X之後，不再下降了，就可以停止訓練了：

7.測試

訓練好後可以在backup看到權重檔案，

嘗試test前要修改cfg檔案，切換到test模式：

開始測試：

./darknet detector test cfg/voc_birds.data cfg/yolov3-voc-birds.cfg backup/birds/yolov3-voc-birds.weights

測試結果：

8.問題集錦

8.1 問題：CUDA Error: out of memory

解決：增大cfg檔案中subdivisions，16、32或者64（最多為batch值）

subdivision：這個引數很有意思的，它會讓你的每一個batch不是一下子都丟到網路裡。而是分成subdivision對應數字的份數，一份一份的跑完後，在一起打包算作完成一次iteration。這樣會降低對視訊記憶體的佔用情況。如果設定這個引數為1的話就是一次性把所有batch的圖片都丟到網路裡，如果為2的話就是一次丟一半。