【代码使用】YOLOv3以及Gaussian YOLOv3模型转caffe的使用指南_caffe yolov3_花噜噜酱的博客

link之家
链接快照平台
输入网页链接，自动生成快照
标签化管理网页链接
相关文章推荐
爱运动的圣诞树 · 关于CSV文件格式中的换行问题_csv文件怎 ...· 2 年前 ·
有情有义的蟠桃 · base1. ...· 2 年前 ·
面冷心慈的帽子 · 卸载 Visual Studio 2012 ...· 2 年前 ·
慈祥的萝卜 · Maven工程约定目录结构 - ...· 2 年前 ·
wget https://pjreddie.com/media/files/yolov3.weights
或者用百度云，给个地址：https://pan.baidu.com/s/1kPxCb1baKOtkoKju-aJWeA 提取码：mv2w 
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
2. yolov3训练自己的数据集 
1）普通的训练 
下载与训练模型 
wget https://pjreddie.com/media/files/darknet53.conv.74
或者用百度云，给个地址：https://pan.baidu.com/s/1KvSmjrs2fMBNMvGtpwEb8A 提取码：8vtz 
准备数据集 
前提：数据集的标注方式与voc一样是xml文件 
1.下载voc_label.py 
wget https://pjreddie.com/media/files/voc_label.py
2.修改voc_label.py文件： 
sets=[ ('2007', 'train'), ('2007', 'val'), ('2007', 'test')]
#删除2012
classes = ["car","person","bicycle"]
#改自己的类别 
3.修改./cfg/voc.data文件，刚刚我们得到生成文件：2007_test.txt，2007_train.txt，2007_val.txt，train.txt，train.all.txt； 
classes= 3
train  = /home/ubuntu247/liliang/algorithms/darknet/VOCdevkit/VOC2007/train.txt
valid  = /home/ubuntu247/liliang/algorithms/darknet/VOCdevkit/VOC2007/2007_test.txt
names = data/voc.names
backup = backup 
4.修改./cfg/yolov3-voc.cfg（4处）： 
第一处：修改batch和subdivisions 
[net]
# Testing 测试的时候把这个参数打开
#batch=1
#subdivisions=1
# Training 现在是训练的时候，打开这个部分
batch=64
subdivisions=16 
第2-4处：修改类别：先查找文件中“yolo”出现的3处 
举其中一处为例，剩下两处都一样
[convolutional]
size=1
stride=1
pad=1
filters=24 #改这里 3*(类别数+5) 我的类别是3类，所以是24
activation=linear
[yolo]
mask = 6,7,8
anchors =   7, 15, 16, 18, 22, 32, 9, 40, 20, 71, 37, 39, 52, 65, 70, 110, 105, 208
classes=3#这里类别数
num=9
jitter=.3
ignore_thresh = .5
truth_thresh = 1
random=0 
5.开始训练： 
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 
2）将anchor换成自己数据集匹配的值： 
参考：https://blog.csdn.net/cgt19910923/article/details/82154401 
clone anchor生成工具： 
git clone https://github.com/lars76/kmeans-anchor-boxes 
修改一下example.py代码： 
import glob
import xml.etree.ElementTree as ET
import numpy as np
from kmeans import kmeans, avg_iou
ANNOTATIONS_PATH = "/home/ubuntu247/liliang/Data/INF_20191030/Annotations1107/"
CLUSTERS = 9
def load_dataset(path):
	dataset = []
	for xml_file in glob.glob("{}/*xml".format(path)):
		tree = ET.parse(xml_file)
		height = float(tree.findtext("./size/height"))
		width = float(tree.findtext("./size/width"))
		for obj in tree.iter("object"):
			xmin = float(obj.findtext("bndbox/xmin")) / width
			ymin = float(obj.findtext("bndbox/ymin")) / height
			xmax = float(obj.findtext("bndbox/xmax")) / width
			ymax = float(obj.findtext("bndbox/ymax")) / height
			dataset.append([xmax - xmin, ymax - ymin])
	return np.array(dataset)
if __name__ == '__main__':
    data = load_dataset(ANNOTATIONS_PATH)
    out = kmeans(data, k=CLUSTERS)
    print("Accuracy: {:.2f}%".format(avg_iou(data, out) * 100))
    print("Boxes:\n {}".format(out))
    ratios = np.around(out[:, 0] / out[:, 1], decimals=2).tolist()
    print("Ratios:\n {}".format(sorted(ratios))) 
运行代码： 
sudo python example.py 
将boxes乘以416（图片resize后的大小），会得到9个box，再按照大小排列以后得到anchors 
anchors =  7, 15, 16, 18, 22, 32, 9, 40, 20, 71, 37, 39, 52, 65, 70, 110, 105, 208 
 更改./yolov3-voc.cfg文件：【之前提到的查找yolo存在的位置，更改3处】，每一处的anchors都替换成自己的值
  
以其中一处为例子，剩余两处一样的格式
[yolo]
mask = 0,1,2
anchors =   7, 15, 16, 18, 22, 32, 9, 40, 20, 71, 37, 39, 52, 65, 70, 110, 105, 208
classes=3
num=9
jitter=.3
ignore_thresh = .5
truth_thresh = 1
random=0 
重新开始训练： 
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 
3. yolov3的caffe使用 
1）转成caffe模型 
前提：刚刚训练得到了相应的weights，准备好yolo需要的layer--upsample_layer.cpp，upsample_layer.cu，upsample_layer.h 
参考：https://blog.csdn.net/watermelon1123/article/details/82083522 
将新的layer添加进去，完成caffe的准备工作。然后还要安装好pytorch。 
clone 转换工具： 
git clone https://github.com/marvis/pytorch-caffe-darknet-convert 
开始转换：最后会得到 yolov3.prototxt yolov3.caffemodel 
python2.7 darknet2caffe.py cfg/yolov3-voc.cfg yolov3-voc.weights yolov3.prototxt yolov3.caffemodel
将yolov3-voc.weights放在文件夹下
然后将yolov3-voc.cfg放在./cfg文件夹下面
yolov3.prototxt yolov3.caffemodel是要生成的caffe模型和pro文件命名 
2）使用caffe模型： 
clone使用工具： 
git clone https://github.com/ChenYingpeng/caffe-yolov3
cd caffe-yolov3 
将生成的caffemodel和prototxt放在./caffemodel和./prototxt文件下【没有就建一个】
修改cmakelist.txt 
"""全部都要改成自己的caffe路径"""
# build C/C++ interface
include_directories(${PROJECT_INCLUDE_DIR} ${GIE_PATH}/include)
include_directories(${PROJECT_INCLUDE_DIR} 
	/home/ubuntu247/liliang/caffe-ssd/include 
	/home/ubuntu247/liliang/caffe-ssd/build/include 
file(GLOB inferenceSources *.cpp *.cu )
file(GLOB inferenceIncludes *.h )
cuda_add_library(yolov3-plugin SHARED ${inferenceSources})
target_link_libraries(yolov3-plugin 
	/home/ubuntu247/liliang/caffe-ssd/build/lib/libcaffe.so  
	/usr/lib/x86_64-linux-gnu/libglog.so  
	/usr/lib/x86_64-linux-gnu/libgflags.so.2
    	/usr/lib/x86_64-linux-gnu/libboost_system.so  
	/usr/lib/x86_64-linux-gnu/libGLEW.so.1.13  
如果你在训练中使用的是自己的anchors值，要修改anchors的值（yolo.cpp中），再进行编译；还有yolo.h中的classes数 
 * Company:	Synthesis
 * Author: 	Chen
 * Date:	2018/06/04
#include "yolo_layer.h"
#include "blas.h"
#include "cuda.h"
#include "activations.h"
#include "box.h"
#include <stdio.h>
#include <math.h>
//yolov3
//float biases[18] = {10,13,16,30,33,23,30,61,62,45,59,119,116,90,156,198,373,326};
float biases[18] = {7, 15, 16, 18, 22, 32, 9, 40, 20, 71, 37, 39, 52, 65, 70, 110, 105, 208};
 * Company:	Synthesis
 * Author: 	Chen
 * Date:	2018/06/04	
#ifndef __YOLO_LAYER_H_
#define __YOLO_LAYER_H_
#include <caffe/caffe.hpp>
#include <string>
#include <vector>
using namespace caffe;
const int classes = 3;
const float thresh = 0.5;
const float hier_thresh = 0.5;
const float nms_thresh = 0.5;
const int num_bboxes = 3;
const int relative = 1; 
mkdir build
cd build
cmake ..
make -j12 
 ./x86_64/bin/detectnet ../prototxt/yolov3.prototxt ../caffemodel/yolov3.caffemodel ../images/dog.jpg 
Gaussian yolov3使用 
1）.训练自己数据集 
整体与yolov3的步骤一样，数据准备与yolov3一致。准备好数据以后： 
将yolov3中的./cfg/voc.data，./data/voc.names，./cfg/yolov3-voc.cfg，分别复制到对应文件夹下面
对./cfg/yolov3-voc.cfg进行修改，将它重命名为./cfg/gaussian-yolov3-voc.cfg，查找yolo的位置，修改内容【3处】 
还是以其中一处为例
[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=1024
activation=leaky
[convolutional]
size=1
stride=1
pad=1
filters=36 # 3*(类别数+5+4) 我的类别是3类，所以是36
activation=linear
[Gaussian_yolo]
mask = 6,7,8
anchors = 7, 15, 16, 18, 22, 32, 9, 40, 20, 71, 37, 39, 52, 65, 70, 110, 105, 208
classes=3
num=9
jitter=.3
ignore_thresh = .5
truth_thresh = 1
random=0 
开始训练： 
./darknet detector train cfg/voc.data cfg/gaussian-yolov3-voc.cfg darknet53.conv.74 
2）caffe使用： 
转caffe的环境刚刚在yolov3中已经配置好了，所以一样的转模型就可以 
python2.7 darknet2caffe.py cfg/gaussian-yolov3-voc.cfg gaussian-yolov3-voc.weights gaussian-yolov3.prototxt gaussian-yolov3.caffemodel
将caffe-yolov3中的yolo.cpp和yolo.h替换成gaussian_yolo_layer.h和gaussian_yolo_layer.cpp，重新编译 
cd caffe-yolov3
rm -rf build
mkdir build
cd build
cmake ..
make -j12 
一样的放好模型以后，开始检测 
 ./x86_64/bin/detectnet ../prototxt/gaussian-yolov3.prototxt ../caffemodel/gaussian-yolov3.caffemodel ../images/dog.jpg 
1.检测一个文件夹下面的多张图片(有txt标注)，并计算map，修改caffe-yolov3中./detectnet/detectnet.cpp文件就可以了。 
2.我自己修改的一些代码存放地址： 
https://github.com/hualuluu/gaussian-yolov3-detection-caffe 
【代码修改参考：https://github.com/ChenYingpeng/caffe-yolov3 yolo.cpp和yolo.h文件还有yolov3的源码】
                                    1. 前言
最近在做Hi3559A的相关项目，其中需要使用yolov3模型，然而网上基本找不到现成的caffe-yolov3模型，只能够自行转换。另外网上有一些相关的博客，但是其中存在一些问题，特此记录。
本文环境所配环境：
ubun16.0.4+cuda8.0+cudnn6.0+opencv3.4.3+torch0.40+python3.5
ps：opencv必须用源码编译，不能pip install opencv-python；
		最好退出anaconda环境，连base都退出，笔者在编译caffe时
非常感谢大家的提问，最近很忙几乎没有回复，但是我把问题都总结了一下，我都更新到了github上，有需求的可以直接上github，还是老地址,可能回复不是很及时，还请见谅！
补充说...
                                    在安装好caffe后进行caffe复现yolov3时遇到的问题解决方案，跑代码来自
https://github.com/ChenYingpeng/caffe-yolov3
将代码中的所有文件添加进VS源代码对应位置中，在运行过程中遇到的问题，但是该方案无法实现进行YOLO转换，仅仅能够实现调用caffe的C++接口，因为caffe中不存在YOLO层，笔者考虑将上述网页中的YOLO层添加进caff...
                                    1 CV中目标检测进展开篇先来看看最近目标检测领域的进展：hoya012/deep_learning_object_detection这个开源项目实时更新 + 罗列了目标检测的一些top论文。该项目集合了从 2013 年 11 月提出的 R-CNN 至在近期举办的 ECCV2018 上发表的 RFBNet 等四十多篇关于目标检测的论文，相当全面。一般目标检测问题本身的定义为：给定任意一张...
                                    1. 模型训练环境：1)  系统：Ubuntu16.042)  显卡：TITAN XP3)CUDA:9.14)  CUDNN:7.55)  运行内存32G6)pycharm7)anaconda2. 资源的下载：基于darknet框架在Linux系统下训练YOLOV3数据集，下载darknet文件，链接：https://download.csdn.net/download/qq_4190...
                                    文章目录测试预训练模型install添加upsample层代码test结果待续。
最近由于要在工程上实现yolov3-tiny的caffe模型的训练和测试，记录踩的坑和解决的办法。
测试预训练模型
基于这篇文章：基于caffe框架复现yolov3目标检测.
github在这里.
测试了预训练模型。由于要做的是yolov3-tiny的caffe转换，只测试了yolov3-tiny上的结果。
其中出现...
                                    本课程内容分为5个部分： 1.海思35xx SDK资料梳理以及SVP相关文档详细介绍 2.将darknet框架训练出来的yolov3模型转换成caffemodel 3.RuyiStudio工具的安装及其使用4.Windows上仿真代码的运行以及代码分析5.开发板上的sample代码的运行以及代码分析  本课程特色： 1. 不是照本宣科，着力把背后的原理讲清楚。 2. 实用性很强。 目标检测算法是计算机视觉基本任务之一，而YOLOv3则仍然是目前工业界中应用非常广泛的算法模型，从速度、准确度以及易用性的trade-off来看，它目前仍然是最好的算法模型之一。