本文共 2618 字，大约阅读时间需要 8 分钟。

时隔好多好多日子了，一直没写博客(小声bb，最近忙着接私活儿)。马上就要开学了，害，回去就要加油干了！！！

本次教程写个pytorch版本的yolov3检测，用的火焰检测数据集，效果如下：

这就可以做个火警预测了，yolov3是真的香呀，这次用到的是 的一个pytorch实现版本，效果上还是不错的。

那么， 接下来，就跟我一起来实操起来吧！！！

一、环境要求

老规矩，工欲善其事必先利其器，搭建环境！！

• Python： 3.7.4
• Tensorflow-GPU 1.14.0
• Keras: 2.2.4
• numpy:1.17.4

这里建议用anaconda来快速搭建一个虚拟环境，速度很快的！！！

二、数据集准备

从互联网上收集火焰图片，并用labelimg进行标注，得到标注图片以及标注的位置信息。

如下：

万事俱备，开始coding！！！！

三、Pytorch版本的YoloV3

1.安装模块

在requirements.txt中含有本次所需的python模块.

• numpy
• torch==1.2.0
• torchvision==0.4.0
• matplotlib
• tensorflow==1.13.2
• tensorboardX==2.0
• terminaltables
• pillow
• tqdm

可用pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt来安装所需的模块。

2.下载所需的权重文件

Linux平台下，cd weights/，之后运行bash download_weights.sh文件，即可下载所需的权重信息。

Windows平台下，可直接编辑download_weigths.sh文件，复制其中的模型链接，在游览器中打开下载。

下载完毕后，在weights文件的内容如下：

3.修改配置文件

Linux平台下，运行cd config/目录，之后运行 bash create_custom_model.sh <num-classes> 其中 为类别参数，根据你的需要修改，这里我修改为1.

Windows平台下，配置git的bin目录下的变量之后，运行sh.exe文件。之后cd config目录之后，运行sh create_custom_model.sh <num-classes>即可

执行完毕之后，修改custom.data，修改其配置信息即可。

4.配置本次yolov3的数据格式

重点来了，重点来了，重点来了！！！

在该github下，对自定义的数据，并未阐述，只是一笔带过。但该yolov3的版本所需的数据格式跟voc格式和coco格式都不大一样。每张图片对应一个txt标注信息。其第一列为类别信息，之后的四列为标准化的标注信息。其中 label 是类别在 data/custom/classes.names 的索引, <> 代表缩放后的比例系数

• <1>*w = (xmax-xmin)/2 + xmin
• <2>*h = (ymax-ymin)/2 + ymin
• <3> = (xmax-xmin)/w
• <4> = (ymax-ymin)/h

这里github未提供数据转换，这里先新建两个Annotations和JPEGImages的文件夹，将准备好的图片和xml标记信息放于其中。

然后运行voc2yolov3文件，生成train.txt和valid.txt文件信息，将数据集划分，即将图片路径保存在两个txt文件中。

之后运行voc_annotation.py对xml标记信息进行处理，处理成下列的txt文件形式

并记得修改classes.names的类别名，以及将图片复制到images文件中。即

好了，数据格式制作完成了！！！

下面可以开始训练了.

5.运行train.py

# 训练命令python train.py --model_def config/yolov3-custom.cfg --data_config config/custom.data --pretrained_weights weights/darknet53.conv.74# 添加其他参数请见 train.py 文件    # 从中断的地方开始训练python train.py --model_def config/yolov3-custom.cfg --data_config config/custom.data --pretrained_weights checkpoints/yolov3_ckpt_99.pth --epoch

若出现警告解决方案UserWarning: indexing with dtype torch.uint8 is now deprecated, please use a dtype torch.bool instead.

在 model.py计算损失的位置 大概在 192 行左右添加以下两句：

obj_mask=obj_mask.bool() # convert int8 to bool

noobj_mask=noobj_mask.bool() #convert int8 to bool

运行过程如图所示：

可通过tensorboard来查看运行过程中的变化。tensorboard --logdir='logs\'

6.测试结果

叮咚，叮咚，马上大功告成了！！！

python detect.py --image_folder data/imgs/ --weights_path checkpoints/yolov3_ckpt_99.pth --model_def config/yolov3-custom.cfg --class_path data/custom/classes.names

运行上述，其会对data/imgs 文件下的图片进行预测，并将预测结果保存到output/imgs文件下

若是在 GPU 的电脑上训练，在 CPU 的电脑上预测，则需要修改 model.load_state_dict(torch.load(opt.weights_path, map_location='cpu'))

好了，大功告成了！！！ 立下flag！！！ 明天再更一个！！！

转载地址：https://codingchaozhang.blog.csdn.net/article/details/107167792 如侵犯您的版权，请留言回复原文章的地址，我们会给您删除此文章，给您带来不便请您谅解！