使用yolov3配置文件训练自己的数据

前言

一、准备数据集

二、创建文件结构

三、格式化文件

1.data文件夹

2.config文件夹

四、修改yolo的配置文件

1.train文件

2.json2yolo文件

3.datasets文件

前言

使用yolov3框架训练自己的数据大致分为这四步：

准备数据集
创建文件结构
格式化文件
修改yolo的配置文件

一、准备数据集

使用labelme对自己数据集的图片进行打标处理

如图所示

打标之后保存的json文件要保存在自己知道的文件夹里

例如这样

二、创建文件结构

创建如图所示的文件结构

config和data文件夹需要自己创建
- config文件夹里custom.data.txt保存的信息如下图所示
- yolov3-custom.cfg里保存的是模型的结构以及配置参数
- data文件夹下保存数据集的图片，打标后保存的json文件，labels里保存解析之后的数据，文件名与数据集图片名一致
- classes.names里保存数据集的分类名称
- train和val文件里保存数据集的路径，最好是绝对路径
utils文件夹通常是 YOLOv3 或其他深度学习项目中用来存放辅助工具和功能的地方，可以直接用，不用自己创建
weights里是darknet模型和yolo层的权重参数，需下载使用

三、格式化文件

上一步创建了文件结构
这一步填充每个文件夹中的数据

1.data文件夹

data文件夹的结构如图所示
- custom里保存的是整个数据集的文件
- 图片分成训练集和验证集
- 标签也分成训练集和验证集
jsons里的json数据通过utils里的json2yolo.py文件进行解析，提取出每张打标图片的类别，矩形框的中心点坐标和框的宽高并将其保存在labels文件夹内
- 标签文件与图片同名，但更改为txt文件
classes.names里的类别手动输入，一行一个类别，注意与json2yolo里的字典顺序一致
train.txt和val.txt里的信息是每张图片的绝对路径，可以由下面的代码帮助实现

import ospath = "D:\Code\YOLO\YOLOv3_try\data\custom\images\\train"
target = 'data\\custom\\train.txt'
file_name = os.listdir(path)  # 获取文件夹下每个文件的名字with open(target, 'w') as t:for i in file_name:  # 遍历每个图片名 j = path + '\\' + i   # 将图片名加上文件夹路径 变成绝对路径t.write(j + '\n')   # 将图片绝对路径写入txt文件