3.0 前言

        本文是YOLOv3系列第3篇，記錄YOLOv3如何訓練自己的模型。

        參考的網頁：

3.1 配置cfg檔案

        3.1.1 複製yolov3.cfg（...\darknet-master\cfg目錄下）檔案並重命名為yolo-obj.cfg（或者其他名字，只要各處對應即可），複製到darknet.exe相同目錄下（或者其他目錄，輸入命令時對應即可）。

        3.1.2 修改batch=64,subdivisions=8。

        3.1.3 修改classes和filters，共三處。如果檢測兩類物體，則classes=2，

                    filters=(classess+5)*3=(2+5)*3=21。

        3.1.4 上述修改具體行數參考github即可。

3.2 配置obj.name檔案和obj.data檔案（命名也可以為其他，只要對應即可）

        新建obj.names檔案和obj.data檔案，放在目錄...\darknet-master\build\darknet\x64\data下。

        obj.names內容（每行一個類的名字，名字隨便寫，隨時可以改）

        obj.data內容（valid是為了訓練完成後測試模型效果）

3.3 準備圖片和對應的標籤檔案

        

        txt檔案內容

        標記標籤的軟體介面：

3.4 準備儲存圖片路徑的檔案

                

3.5 準備預訓練的模型

        在github下載darknet53.conv.74後放在目錄...\darknet-master\build\darknet\x64下即可。

3.6 訓練過程

       3.6.1  訓練命令（需要首先進入darknet.exe同一目錄）：

    darknet.exe detector train data/obj.data yolo-obj.cfg darknet53.conv.74

    darknet.exe detector train data/obj.data yolo-obj.cfg darknet53.conv.74 -dont_show

        命令解釋：

        darknet.exe detector train:表示訓練（train改為test為測試）
        data/obj.data:data檔案的路徑
        yolo-obj.cfg：cfg檔案的路徑
        darknet53.conv.74：使用的預模型路徑

        3.6.2 可能出現的錯誤情況：

        可能出現記憶體不足的情況，解決：
        修改cfg檔案：
        修改subdivisions為16或32或64；
        如果依舊不足，修改三個[yolo]（修改classes的那個地方）下的random，修改為0（含義 ：關閉多尺度訓練）

        3.6.3 訓練介面

        3.6.4 訓練歷程與部分引數解釋

        每迭代100次會儲存一個模型，avg loss是一個錯誤率的指標，越低越好，剛開始會很大，下降也很快，最終降到0.***，每個類一般迭代2000次，所以實訓專案需要4000次。使用GTX 950m，大約每100次迭代耗時70分鐘。

        Region xx: cfg檔案中yolo-layer的索引；
        Avg IOU:當前迭代中，預測的box與標註的box的平均交併比，越大越好，期望數值為1；
        Class: 標註物體的分類準確率，越大越好，期望數值為1；
        obj: 越大越好，期望數值為1；
        No obj: 越小越好；
        .5R: 以IOU=0.5為閾值時候的recall; recall = 檢出的正樣本/實際的正樣本
        0.75R: 以IOU=0.75為閾值時候的recall;

        count:正樣本數目。

        3.6.5 直觀地檢視訓練結果（輸出圖片）

    darknet.exe detector test data/obj.data yolo-obj.cfg yolo-obj_8000.weights

輸入後會提示輸入圖片路徑，輸入即可。

 3.6.6 中斷後在之前的基礎上繼續訓練：

   darknet.exe detector train data/obj.data yolo-obj.cfg yolo-obj_2000.weights

        yolo-obj_2000.weights：之前的模型路徑。

        3.6.7 檢視模型精確效果（輸出資料）

        按照準備訓練資料的方法準備測試資料（圖片與對應標籤，儲存圖片路徑的檔案）；
        修改data檔案的valid；
        使用如下命令測試：

    darknet.exe detector map data/obj.data yolo-obj.cfg backup\yolo-obj_7000.weights

        介面：

        由於可能出現過擬合的情況，所以最好的模型不一定在後邊，

        可以多測試幾組，選擇一個性能較好的模型。

        3.6.8 訓練結果展示

        迭代100次、400次、800次效果

        迭代1200次、1600次、2300次效果