最近使用darknet下的YoloV3框架实现自己的项目，所以对yoloV3有了一定的了解，在使用过程中查了许多博客、踩了许多坑，所以希望写一个系列来介绍自己使用yoloV3的流程。本人是在ubuntu16.04、cuda10.1、opencv3.2的环境下完成yoloV3在darknet下的训练以及测试。 系列目前准备包括三个部分：
VOC数据集的制作如何使用yoloV3训练自己的数据集yoloV3批量测试以及将识别的目标切割保存yoloV3的GitHub主页为：https://github.com/pjreddie/darknet 在自己新建的一个目录下打开终端并输入以下命令clone工程文件：
git clone https://github.com/pjreddie/darknet.git下载好工程文件后：cd darknet进入darknet所在目录，如果需要使用GPU或opencv则输入gedit Makefile或直接在图形化界面打开Makefile文件。 原文件显示的是：
GPU=0 CUDNN=0 OPENCV=0在这里作者修改了为：
GPU=1 CUDNN=1 #GPU和CUDNN用于GPU加速，前提是电脑已经安装了显卡对应的CUDA和CUDNN OPENCV=1 #开启opencv用于调用电脑摄像头以及显示测试结果，前提是安装了opencv否则会提示编译错误在完成了对Makefile文件的修改后，在终端输入
make编译工程文件，如果在之前编译并生成了darknet可执行文件，则可输入：
make clean清除已经编译的可执行文件 如果想加速编译速度（编译darknet用处不是特别大， 但其他时候编译速度能有明显提升）则输入：
make -j8 #具体使用几个内核进行编译根据自己电脑实际情况而定编译好darknet工程文件后，需要下载测试所需的weights文件，具体是进入darknet目录并在终端输入：
wget https://pjreddie.com/media/files/yolov3.weights之后便是测试，在终端输入：
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg用于使用给定的模型和自带的图片进行测试： 测试结果如下：
如何制作用于darknet yoloV3训练的VOC数据集请参考：VOC数据集的制作 首先我们下载训练所需的预权重文件在终端输入：
wget https://pjreddie.com/media/files/darknet53.conv.74紧接着进入darknet/data目录打开voc.names和coco.names将其中的标签名改为自己所需的标签名，由于作者只训练了一类标签所以改为了：insulator，如有多类标签请用换行符隔开。其中voc.names的标签名用于训练使用而coco.names的标签名用于测试使用。如不修改会使测试结果得到的标签与预期的不一致。 之后便是进入darknet/cfg目录找到voc.data文件，内容如下：
classes= 20 #训练的类别数 train = /home/pjreddie/data/voc/train.txt #训练集txt文件所在的绝对路径 valid = /home/pjreddie/data/voc/2007_test.txt #测试集txt文件所在的绝对路径 names = data/voc.names #训练使用的标签名文件，即刚修改的voc.names文件所在目录，这里也可是绝对路径 backup = backup #训练生成weights文件存放的路径作者这里修改为：
classes= 1 train = /home/user/darknet/scripts/train.txt valid = /home/user/darknet/scripts/2007_test.txt names = data/voc.names backup = backup供大家参考 接下来修改darknet/data目录下的yolov3-voc.cfg文件，主要是将开头的：
# Testing batch=1 subdivisions=1 # Training # batch=64 # subdivisions=16修改为：
# Testing # batch=1 # subdivisions=1 # Training batch=64 subdivisions=16其实就是使用大的batch和subdivisions用于训练 紧接着使用ctrl+F搜索yolo（共三处）
[convolutional] size=1 stride=1 pad=1 filters=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=20 num=9 jitter=.3 ignore_thresh = .5 truth_thresh = 1 random=1主要修改的地方有三处：classes表示自己训练的标签类别数，filters使用3×(classes+5)计算得出，很多教程建议将random修改为0，表示关闭多尺度训练，如果电脑性能足够的话不建议修改。(注意:有三出yolo需要按照以上方法修改) 接下来便可以进行训练了，但是为了达到刚好的效果作者建议打开darknet/examples目录下的detect.c文件，并找到一下代码的位置
if(i%100==0){ #ifdef GPU if(ngpus != 1) sync_nets(nets, ngpus, 0); #endif char buff[256]; sprintf(buff, "%s/%s.backup", backup_directory, base); save_weights(net, buff); } if(i%10000==0 || (i < 1000 && i%100 == 0)){ #ifdef GPU if(ngpus != 1) sync_nets(nets, ngpus, 0); #endif char buff[256]; sprintf(buff, "%s/%s_%d.weights", backup_directory, base, i); save_weights(net, buff); }以上代码用于控制训练生成的weights文件，细看代码能够发现，当训练次数少于1000次时，每100次输出一个weights文件，但是当训练次数大于1000次时每10000次输出一个weights。如果直接使用这个规则输出，想得到一个合适的weights文件得等到猴年马月咯！建议修改为：低于1000次每200次或500次输出一个weights文件，大于1000次每1000次输出一个weights文件。作者修改为了：
if(i%1000==0 || (i < 1000 && i%500 == 0))在修改了任何源文件之后记得：在darknet的终端目录下输入：
make clean make -j16重新编译，以使修改的文件生效。 接下来便在darknet终端输入：
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74开始训练自己的模型，记得使用的.data文件和.cfg文件要和自己修改的文件对应，不然就是一堆不知名的bug（作者就因为这个徘徊了很久）。 接下来便是漫长的等待…
在训练达到合理的次数后终止训练，在darknet终端输入：
./darknet detect cfg/yolov3-voc.cfg backup/yolov3-voc_4500.weights data/1.jpg 参数含义cfg/yolov3-voc.cfg测试使用的配置文件，与训练使用的测试文件相同backup/yolov3-voc_4500.weights测试使用的权重文件，训练生成位于backup目录下data/1.jpg测试使用的测试图片，放置在data目录下最后，便是观察测试效果的时候了： 以上便是使用darknet yolov3训练自己的voc数据集的完整操作。快去训练你自己的专属模型吧！ 部分由于制作数据集的原始数据已上传，下载链接为：无人机航拍瓷瓶数据集-yoloV3训练数据集.zip。 由于本人水平有限，以上博客难免会有误差。如有问题请联系：QQ:2458707789 加好友请备注：yoloV3训练
