install

git clone https://github.com/pjreddie/darknet.git
cd darknet
make

如果需要支持gpu。make前修改Makefile中GPU=1和CUDNN=1。

坑1：如果出现 invalid device function 错误，说明Makefile中指定的Compute Capability跟你的机器上的CUDA不一致，具体可以参考1。

ARCH= -gencode arch=compute_52,code=compute_52

在官网可以找到各种训练好的模型weights。

训练

label格式

label文件为txt文件，文件名跟图片一致，并跟图片处于同一个目录下。每行的格式如下：

<object-class> <x_center>/w <y_center>/h <width>/w <height>/h

其中w, h表示图片宽跟高。x_center，y_center表示识别框的中心点坐标，width和height表示识别框的宽和高。

坑2：即使对于不包含识别对象的图片，也要提供空白的txt文件。

此外要提供train.txt，包含所有训练图片的完整路径，每个图片一行。

cfg文件修改

此处以yolov3为例，复制yolov3.cfg为yolo-obj.cfg，再对yolo-obj.cfg做如下修改：

• 根据训练机器内存大小修改batch和subdivisions，注意实际的batch_size为batch/subdivisions。
• width和height表示训练图片被统一resize的大小。一般来说，越大识别效果越好。注意到width和height要被32整除。
• 将三个yolo层中出现的classes修改为实际的类别数，此处以2为例。坑3：注意有三处。同时将yolo层之前对应的卷积层的filters修改成对应的个数。对于yolo-v3，filters=(classes+5)*3，对于yolo-v2，filters=(classes+5)*5。以classes=2为例，则filters=21。

[convolutional]
filters=21

[region]
classes=2

其他文件修改

• 在data目录下创建obj.names文件，一行一个类名。
• 在data目录下创建obj.data文件，包含如下内容。其中classes表示类别数，train和valid分别表示记录训练和测试图片路径的文件。backup是训练生成的模型存放地址。

classes= 2
train  = data/train.txt
valid  = data/test.txt
names = data/obj.names
backup = backup/

开始训练

./darknet detector train data/obj.data cfg/yolo-obj.cfg darknet53.conv.74 -gpus 2

其中darknet53.conv.74是从官网下载的预训练好的模型权重。 backup中保存模型，默认10000步保存一个模型，在examples/detector.c中train_detector中写死了，需要修改代码重新编译。

测试模型

./darknet detector recall cfg/yolo-obj.cfg backup/yolo-obj.backup

注意原代码中测试图片路径文本是写死的，可以参考validate_detector的写法对validate_detector_recall进行修改，变成可配置。

pyyolo

目前pyyolo已经支持yolov3。安装使用方法参考官网。

提高yolo训练效果的几个trick

• 在cfg中，将random字段设置为1，模型会自动选择不同的resolutions的。
• 增加cfg中height和width，越大越好。
• 训练图片中包括不同大小、旋转角度、光线、不同视角的识别目标。至少包含每类2000张图片。
• 如果单张图片中包括很多个识别目标，在最后一层[region]中增加参数max=200
• 如果只需要微调，可以在倒数第二层的卷积层中增加stopbackward=1。这样前面层的网络参数将不再变化。
• 在测试的时候可以继续改大height和width。（不需要重新训练网络）