YOLOv3 训练自己的数据附优化与问题总结

Posted luzeming

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了YOLOv3 训练自己的数据附优化与问题总结相关的知识,希望对你有一定的参考价值。

YOLOv3 训练自己的数据附优化与问题总结

环境说明

  1. 系统:ubuntu16.04

  2. 显卡:Tesla k80 12G显存

  3. python环境: 2.7 && 3.6

  4. 前提条件:cuda9.0 cudnn7.0 opencv3.4.0

实现YOLOV3的demo

  1. 首先安装darknet框架官网链接

    git clone https://github.com/pjreddie/darknet.git
    cd darknet
    vim  Makefile
    • 根据情况修改Makefile,如果使用GPU、cudnn和opencv,就将其标志位改成1。技术图片

    • 编译

      make
    • 编译完成,测试一下

      ./darknet

      应该会出现以下信息

      usage: ./darknet <function>

      如果有使用opencv,则可以测试下检测用例,会出现很多老鹰的图片说明darknet的安装odk了

      ./darknet imtest data/eagle.jpg
  2. 使用yolov3预训练模型检测物体

    • 首先获取模型权重

      wget https://pjreddie.com/media/files/yolov3.weights
    • 然后运行目标检测

      ./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

      技术图片

      这边运行的时候很可能出现的一个问题就是,没有出现bbox

      原因

      如果GPU = 1或CUDNN = 1,darknet将为每个层预先分配GPU虚拟内存,这取决于cfg文件中的批量大小和子分区设置。
      对于训练,批量大小表示将在迭代中对GPU执行多少图片,更大的值可以减少训练时间,并且如果GPU在迭代中没有足够的内存,则子划分可以将它们分组以防止存储器大小限制问题。
      保持1检测,因为这些设置主要用于训练网络。

      参考:

      https://github.com/pjreddie/darknet/issues/405

      https://github.com/pjreddie/darknet/issues/405

      解决方法:

      (1)检测的时候令cudnn=0,

      (2)修改cfg文件成batch=1,sub=1

命令简介

先举个例子

./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg

darknet :一个可执行的程序,类似win下的exe

detector:是一个第一个参数,执行detector.c

test:detector.c里面的一个函数test_detector(),用来测试图片

cfg/coco.data:"cfg/"是训练的配置文件所在路径,coco.data是.data配置文件名

cfg/yolov3.cfg:"cfg/"是训练的配置文件所在路径,yolov3.cfg是.cfg配置文件名

yolov3.weights:训练好的模型,yolov3.weights在darknet根目录

data/dog.jpg:“data/”是要测试图片所在路径,dog.jpg是测试图片文件名

  1. 测试

    • 测试图片

      指令格式

      ./darknet detector test <data_cfg> <test_cfg> <weights> <image_file>(可选)

      如果没有指定 就可以像这样测试多张图片
      技术图片

      文件中batch和subdivisions两项须为1或者测试时不使用cudnn

      测试时还可以用-thresh调整置信度阈值 ,例如只显示置信度在60%以上的 bbox

      ./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg  -thresh .6
    • 检测视频,需要用到demo函数(src/demo.c)

      ./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights test.avi
    • 在摄像头上测试,需要用到demo函数

      ./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights
  2. 训练模型

    指令格式

    ./darknet -i <gpu_id> detector train <data_cfg> <train_cfg> <weights>
    • 单GPU训练

      ./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74
    • 更换GPU训练

      ./darknet detector -i 2 train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74
    • 多GPU训练

      ./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gpus 0,1,2,3
    • CPU训练

      ./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 --nogpu
  3. 模型评估recall,生成测试结果

    • 生成测试结果

      ./darknet detector valid <data_cfg> <test_cfg> <weights> <out_file>

      (1)文件中batch和subdivisions两项需为1。
      (2)测试结果生成在的results指定的目录下以开头的若干文件中,若没有指定results,那么默认为darknet/results。

    • 计算recall(需要修改detectocr.c请参考第五部分优化与个性化——计算map与recall)

      /darknet detector recall <data_cfg> <test_cfg> <weights>

      (1)文件中batch和subdivisions两项需为1
      (2)RPs/Img、IOU、Recall都是到当前测试图片的均值(意义待续)

训练自己的数据

  1. 首先下载预训练卷积权重

    wget https://pjreddie.com/media/files/darknet53.conv.74
  2. 其次标注数据集,生成yolo所需要的txt格式的labels

    • 推荐使用yolo_mark数据集标注工具,可以直接生成txt

    • 下载yolo_mark

      git clone https://github.com/AlexeyAB/Yolo_mark.git
    • 要在Linux上编译,输入:

      cd Yolo_mark
      cmake .
      make
      chmod +x linux_mark.sh
      ./linux_mark.sh
    • 打开yolo_mark就是GUI的标注了,主要是修改data和names,具体请参考官网

  3. 修改配置文件

    • 修改.data文件

      classes= 4 (修改成自己训练的种类数)
      train  = /home/user_name/darknet/data/train.txt   (修改成自己train.txt的路径)
      valid  = /home/user_name/darknet/data/2007_test.txt (评估测试的图片的路径,用于后面的评估测试)
      names = data/voc.names                                  (修改成自己的类别名的路径)
      backup = backup                                         (训练的权重所存放的路径)
      results = results                            (评估测试结果存放路径,也可以自己定义)
    • 修改.names这个比较简单,修改自己的类别就可以

      例如我的文件是yolov3.names

    技术图片

    • 修改.cfg文件

    • 关于cfg修改,以4类目标检测为例,主要有以下几处调整(蓝色标出),#表示注释,根据训练和测试,自行修改,修改说明:

      A:filters的计算和聚类数目分布有关

      yolov3:filters=(classes + 5)x3

      yolov2: filters=(classes + 5)x5。

      B.classes就是类别数量

      C.如果想修改默认anchors数值,可以使用k-means;

      D.如果显存够大,则可以开启多尺度训练令random=1,不过loss会有点震荡;

      给出一份我的cfg以供参考,传送门

      [net]
      #Testing
      #batch=1
      #subdivisions=1
      #Training

      batch=64

      subdivisions=8

      ......

      [convolutional]
      size=1
      stride=1
      pad=1

      filters=27###75

      activation=linear

      [yolo]
      mask = 6,7,8
      anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326
      classes=4###20
      num=9
      jitter=.3
      ignore_thresh = .5
      truth_thresh = 1
      random=0###1

      ......

      [convolutional]
      size=1
      stride=1
      pad=1
      filters=27###75
      activation=linear

      [yolo]
      mask = 3,4,5
      anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326
      classes=4###20
      num=9
      jitter=.3
      ignore_thresh = .5
      truth_thresh = 1
      random=0###1

      ......

      [convolutional]
      size=1
      stride=1
      pad=1
      filters=27###75
      activation=linear

      [yolo]
      mask = 0,1,2
      anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326
      classes=4###20
      num=9
      jitter=.3
      ignore_thresh = .5
      truth_thresh = 1
      random=0###1

  4. 开始训练

    ./darknet detector train cfg/yolov3.data cfg/yolov3.cfg  darknet53.conv.74

    技术图片

    avg:平均loss,越小越好,

    rate:学习率,默认为0.001,可以根据自己的训练情况调整,一般为0.01,0.003,0.001等

    训练参数说明

    Region xx: cfg文件中yolo-layer的索引,82是大物体层,94是中物体层,106小物体层;

    Avg IOU: 当前迭代中,预测的box与标注的box的平均交并比,越大越好,期望数值为1;

    Class: 标注物体的分类准确率,越大越好,期望数值为1;

    obj: 越大越好,期望数值为1;

    No obj: 越小越好;

    .5R: 以IOU=0.5为阈值时候的recall; recall = 检出的正样本/实际的正样本

    0.75R: 以IOU=0.75为阈值时候的recall;

    count: 正样本数目。

优化与个性化问题

这边的更改之后都需要make clean后再make。如果改了之后发现没变化,请第一时间看看是不是没有执行这一步。

  1. 什么时候保存模型,又要如何更改呢?

    迭代次数小于1000时,每100次保存一次,大于1000时,每10000次保存一次。

    自己可以根据需求进行更改,然后重新编译即可[ 先 make clean ,然后再 make]

    代码位置: examples/detector.c line 138

    技术图片

  2. 如何在图像上添加置信度?

    可以看github的修改记录,也可以看下面的修改,修改传送门

    修改src/image.c文件draw_detections()函数,代码修改如下:

    int i,j;
    
        for(i = 0; i < num; ++i){
            char labelstr[4096] = {0};
         char s1[]={"  "};//为了name与置信度之间加空格
            int class = -1;
         char possible[5];//存放检测的置信值
            for(j = 0; j < classes; ++j){
         sprintf(possible,"%.2f",dets[i].prob[j]);//置信值截取小数点后两位赋给possible
                if (dets[i].prob[j] > thresh){
                    if (class < 0) {
                        strcat(labelstr, names[j]);
                     strcat(labelstr,s1); //加空格
                     strcat(labelstr, possible);//标签中加入置信值
                        class = j;
                    } else {
                        strcat(labelstr, ", ");
                        strcat(labelstr, names[j]);
                     strcat(labelstr,s1);//加空格
                     strcat(labelstr, possible);//标签中加入置信值
                    }
                    printf("%s: %.0f%%
    ", names[j], dets[i].prob[j]*100);
                }
            }
    
  3. 如何缩小标签大小?

    src/image.c的draw_detections()函数中,get_label函数调用的参数,修改成合适的大小技术图片

    效果图:

    技术图片

  4. 如何添加中文标签?

    • 首先制作中文标签图片,

      在darknet/data/labels里面有制作脚本make_labels.py。修改以下就可以用了

      例如我的是四类,我就修改成

      # -*- coding: utf-8 -*-  
      
      import os   
      l=["行人","前部","侧边","后部"]
      def make_labels(s): 
          i = 0 
          for word in l:   
              os.system("convert -fill black -background white -bordercolor white -border 4  -font /usr/share/fonts/truetype/arphic/ukai.ttc -pointsize %d label:"%s" "cn_%d_%d.png""%(s,word,i,s/12-1)) 
            i = i + 1 
      for i in [12,24,36,48,60,72,84,96]:
          make_labels(i) 

      运行脚本

      python make_labels.py

      就可以在labels里面看到自己制作的图片标签

      技术图片

    • 其次修改src/image.c的代码

      具体请看github的修改,传送门,修改完之后,make clean && make.

      测试以下,如图,Bingo!!!

      技术图片

  5. 如何批量检测?

    可以看我github的修改,也可以按照下面的修改。修改传送门

    • 首先在添加一个获取图片名字的函数:
    #include "darknet.h"
    #include <opencv2/highgui/highgui.hpp>
    static int coco_ids[]={1,2,3,4,5,6,7,8,9,10,11,13,14,15,16,17,18,19,20,21,22,23,24,25,27,28,31,32,33,34,35,36,37,38,39,40,41,42,43,44,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,67,70,72,73,74,75,76,77,78,79,80,81,82,84,85,86,87,88,89,90};
    
    char *GetFilename(char *p)
    { 
       static char name[20]={""};
       char *q = strrchr(p,'/') + 1;
       strncpy(name,q,10);//后面的10是你自己图片名的长度,可修改
       return name;
    
    }
    • 替换examples/detector.c 中的test_detector函数
    void test_detector(char *datacfg, char *cfgfile, char *weightfile, char *filename, float thresh, float hier_thresh, char *outfile, int fullscreen)
    {
        list *options = read_data_cfg(datacfg);
        char *name_list = option_find_str(options, "names", "data/names.list");
        char **names = get_labels(name_list);
    
        image **alphabet = load_alphabet();
        network *net = load_network(cfgfile, weightfile, 0);
        set_batch_network(net, 1);
        srand(2222222);
        double time;
        char buff[256];
        char *input = buff;
        float nms=.45;
        int i=0;
        while(1){
            if(filename){
                strncpy(input, filename, 256);
                image im = load_image_color(input,0,0);
                image sized = letterbox_image(im, net->w, net->h);
                layer l = net->layers[net->n-1];
    
    
                float *X = sized.data;
                time=what_time_is_it_now();
                network_predict(net, X);
                printf("%s: Predicted in %f seconds.
    ", input, what_time_is_it_now()-time);
                int nboxes = 0;
                detection *dets = get_network_boxes(net, im.w, im.h, thresh, hier_thresh, 0, 1, &nboxes);
                if (nms) do_nms_sort(dets, nboxes, l.classes, nms);
                    draw_detections(im, dets, nboxes, thresh, names, alphabet, l.classes);
                    free_detections(dets, nboxes);
                if(outfile)
                 {
                    save_image(im, outfile);
                 }
                else{
                    save_image(im, "predictions");
    #ifdef OPENCV
                    cvNamedWindow("predictions", CV_WINDOW_NORMAL); 
                    if(fullscreen){
                    cvSetWindowProperty("predictions", CV_WND_PROP_FULLSCREEN, CV_WINDOW_FULLSCREEN);
                    }
                    show_image(im, "predictions",0);
                    cvWaitKey(0);
                    cvDestroyAllWindows();
    #endif
                }
                free_image(im);
                free_image(sized);
                if (filename) break;
             } 
            else {
                printf("Enter Image Path: ");
                fflush(stdout);
                input = fgets(input, 256, stdin);
                if(!input) return;
                strtok(input, "
    ");
    
                list *plist = get_paths(input);
                char **paths = (char **)list_to_array(plist);
                 printf("Start Testing!
    ");
                int m = plist->size;
                if(access("/home/lzm/data/test_folder/darknet/car_person/out",0)==-1)//"/homelzm/......"修改成自己要保存图片的的路径
                {
                  if (mkdir("/home/lzm/data/test_folder/darknet/car_person/out",0777))//"/homelzm/......"修改成自己要保存图片的的路径
                   {
                     printf("creat folder failed!!!");
                   }
                }
                for(i = 0; i < m; ++i){
                 char *path = paths[i];
                 image im = load_image_color(path,0,0);
                 image sized = letterbox_image(im, net->w, net->h);
            //image sized = resize_image(im, net->w, net->h);
            //image sized2 = resize_max(im, net->w);
            //image sized = crop_image(sized2, -((net->w - sized2.w)/2), -((net->h - sized2.h)/2), net->w, net->h);
            //resize_network(net, sized.w, sized.h);
            layer l = net->layers[net->n-1];
    
    
            float *X = sized.data;
            time=what_time_is_it_now();
            network_predict(net, X);
            printf("Try Very Hard:");
            printf("%s: Predicted in %f seconds.
    ", path, what_time_is_it_now()-time);
            int nboxes = 0;
            detection *dets = get_network_boxes(net, im.w, im.h, thresh, hier_thresh, 0, 1, &nboxes);
            //printf("%d
    ", nboxes);
            //if (nms) do_nms_obj(boxes, probs, l.w*l.h*l.n, l.classes, nms);
            if (nms) do_nms_sort(dets, nboxes, l.classes, nms);
            draw_detections(im, dets, nboxes, thresh, names, alphabet, l.classes);
            free_detections(dets, nboxes);
            if(outfile){
                save_image(im, outfile);
            }
            else{
    
                 char b[2048];
                sprintf(b,"/home/lzm/data/test_folder/darknet/car_person/out/%s",GetFilename(path));//"/homelzm/......"修改成自己要保存图片的的路径
    
                save_image(im, b);
                printf("OJBK!
    ",GetFilename(path));
    #ifdef OPENCV
                cvNamedWindow("predictions", CV_WINDOW_NORMAL); 
                if(fullscreen){
                    cvSetWindowProperty("predictions", CV_WND_PROP_FULLSCREEN, CV_WINDOW_FULLSCREEN);
                }
                show_image(im, "predictions",0);
                cvWaitKey(0);
                cvDestroyAllWindows();
    #endif
            }
    
            free_image(im);
            free_image(sized);
            if (filename) break;
            }
          }
        }
    }

    make clean后再make然后批量测试即可,输入的路径为那些图片路径的txt。

    技术图片

  6. 如何输入检测结果文本,计算recall,map计算

    • 生成测试结果

      ./darknet detector valid
      文件中batch和subdivisions两项必须为1。

      结果生成在的results指定的目录下以开头的若干文件中,若没有指定results,那么默认为/results。

      如果出现以下问题,则说明在.data文件里面没有指定valid的路径,添加即可

      Couldn't open file: data/train.list

      技术图片

    • 计算recall

      修改examples/detector.c的validate_detector_recall函数,修改传送门

      首先将validate_detector_recall函数定义和调用修改成

      void validate_detector_recall(char *datacfg, char *cfgfile, char *weightfile)
      validate_detector_recall(datacfg, cfg, weights);
      list *plist = get_paths("data/coco_val_5k.list");
      char **paths = (char **)list_to_array(plist);
          修改成
      list *options = read_data_cfg(datacfg);
      char *valid_images = option_find_str(options, "valid", "data/train.list");
      list *plist = get_paths(valid_images);
      char **paths = (char **)list_to_array(plist);

      修改完老规矩,make clean后再make

      计算recall

      • ./darknet detector recall

      • 文件中batch和subdivisions两项必须为1。

      技术图片

    • 计算map

      • 先制作xml文件,由于yolo需要的是txt标注,所以之前没有制作xml的。现在利用一个脚本txt2xml.py进行转换,txt2xml.py传送门

        在python3的环境下运行,就可以得到xml文件

      • 计算mAP

        借助py-faster-rcnn下的voc_eval.py计算,voc_eval.py传送门

        然后新建一个all_map.py(顾名思义是计算所有类的ap,平均一下就是map)的计算脚本,这边提供一个例子,根据注释修改即可。all_map.py传送门

        python2 all_map.py即可看到ap

        若不想让他输出这么多rec什么,可以修改voc.eval.py的返回值只返回ap既可

        若要输出结果就直接在命令后面加一个 > ap_res.txt 即可

        若有需求重复计算map,需要删除生成的annots.pkl

        技术图片

  7. 后台运行并保存训练日志

    nohup 执行命令 > 输出文件 2>&1 &

    例如

    nohup ./darknet detector train head_detector/head.data head_detector/head.cfg head_detector/backup/head.backup -gpus 0,1 > train.log 2>&1 &
  8. loss可视化(待续)

可能出现的问题

  1. 出现大量的-nan

    原因

    有三个可能

    1. 可能cfg文件的batch=1,subdivisions=1

    2. 可能batch太小了

    3. 训练的图片中没有遍布大中小三个层

    解决方案

    1. 修改成Training状态的参数batch=64, subdicisions=16

    技术图片

    1. 在显存允许的情况下,增加batch

    2. 第三种情况属于正常,因为YOLOv3从三个scale上提取了特征,且不同尺度选取了不同尺度的的检测框,比如你在训练小目标,那么region82和region94出现nan就正常。

  2. CUDA: out of memory

    darknet: ./src/cuda.c:36: check_error: Assertion `0' failed.

    技术图片

    原因:显存不够

    解决方案:关闭random,如果还是不行,可以适当调小batch(32或者16)

  3. 训练了很多次itertation,但是还是什么都没有检测出来?

    原因

    1. 检测的时候需要batch和sub不是1 ;

    2. 如果调低thresh后还没有出现bbox,那么就是训练的时候可能batch和sub都是1,这样训练的模 型几乎不能用

    解决方案

    1. 测试的时候.cfg文件中令 (batch=1,subdivisions=1);
    2. ?训练的时候将.cfg文件修改成(batch=64, subdicisions=16)
  4. cfg修改问题?

    darknet: ./src/parser.c:348: parse_region: Assertion `l.outputs == params.inputs' failed

    原因:filters修改错误,没有对上classes;

    解决方案:修改filters

    YOLOv2: filters =(classes+5)x5

    YOLOv3: filters =(classes+5)x3

  5. can‘t open file :train.txt or can‘t load image ?

    Couldn't open file:/home/lzm/test_folder/darknet/car_person/labels/jam6_0116.txt

    技术图片

    原因:一般来说是train.txt的文件格式问题;

    解决方案:把train.txt的换行格式修改成unix换行格式,另外图片路径要正确,参考博文

  6. Segmentation fault (core dumped),训练几百次intertation后分段错误

  7. 原因

    1. 开了尺度训练即cfg中random=1,显存不足;
    2. 标注的box里面出现x,y=0的情况;

    解决方案

    1. 关闭尺度训练,random=0;

    2. 修改坐标让x,y>0; 参考issue

  8. detector recall的时候出现大量nan

    技术图片

    原因:detector.c代码中的bug,k的最大值必须由nbox确定,而不是
    技术图片

    解决方案:修改examples/detector.c的代码,修改参考

  9. 为了批量检测图片,修改detector.c后,编译出现问题

    error: too few arguments to function ‘show_image’
    show_image(im, "predictions");

    技术图片
    原因:show_image函数少了一个参数,有些代码是比较旧的。

    解决方案:修改报错的那一行

    show_image(im, "predictions");
    改成
    show_image(im, "predictions",0);
  10. 为了批量检测图片,修改detector.c后,编译出现问题

    error: ‘CV_WINDOW_NORMAL’ undeclared (first use in this function)
    cvNamedWindow("predictions", CV_WINDOW_NORMAL);

    技术图片
    原因:原因链接,darknet.h还少了opencv的一个头文件,#include <opencv2/highgui/highgui.hpp>

    解决方案:在报错的程序中加上即可

    #include "darknet.h"
    #include <opencv2/highgui/highgui.hpp>
  11. 使用txt2xml.py生成xml时候的问题

    问题issue

    'encoding' is an invalid keyword argument for this function

    原因:在Python 2中,open()函数不带编码参数(第三个参数是缓冲选项)

    解决方法:有两种

    1. import io

      open改成 io.open

    2. 使用python3

References

以上是关于YOLOv3 训练自己的数据附优化与问题总结的主要内容,如果未能解决你的问题,请参考以下文章

[软件工具]yolov3 yolov4 yolov7训练自己的数据集windows上超简单全程不写代码

yoloV3一步步训练自己的数据

yolov3模型训练——使用yolov3训练自己的模型

YOLOv3训练自己的数据

如何使用yolov3训练自己的数据集

YOLOv3训练自己的数据集(还在学习中)