小白入门，手把手教你用YOLO-v3进行目标检测与识别

老铁们，今天我们将继续配置YOLO-v3目标检测与识别深度学习框架，基于COCO数据集进行训练，并测试模型的效果，最后，我们将通过YOLO-v3进行摄像头实时目标物体检测与识别应用。

首先，我们先了解一下COCO数据集。

一. COCO数据集简介

1. 官网数据集下载地址：

https://cocodataset.org/#download

COCO的 全称是Common Objects in COntext，是微软团队提供的一个可以用来进行图像识别的数据集。MS COCO数据集中的图像分为训练、验证和测试集。COCO通过在Flickr上搜索80个对象类别和各种场景类型来收集图像。

2. COCO2014数据集下载：

在darkent框架内，执行一个script脚本可以下载所有数据集。

① 首先，进入到darknet文件夹下；

② 进入script文件夹下；

③ 查看get_coco_dataset.sh脚本，命令：vim get_coco_dataset.sh

显示内容如下：

执行这个get_coco_dataset.sh 脚本后，自动下载数据集，并解压。此过程非常漫长，建议各位朋友直接拷贝其中的数据集下载链接到迅雷加速下载，能节省大量时间。

④ 执行下载命令如下，注意保存数据集路径，如果这里设置不对，后面会报错。【同志们，一定要注意路径，不然就会陷入无穷无尽的报错之中。。。】

请注意我的路径，如果输入命令后，出现如下信息，恭喜你，操作正确，已经远离苦海。【建议用迅雷下载，再自行解压，注意解压路径即可。我就是这么干，速度快的飞起。。。】

二. 安装COCO API

具体步骤如下：

1. 由于在第一步骤中，你已经执行了脚本get_coco_dataset.sh，在你的darknet/data文件夹下已经有了coco文件夹，那么可以接着执行后续操作，安装COCO API；

2. cd coco/PythonAPI

3. 修改Makefile，命令如下：vim Makefile，需要将其中的python全部改为python3，保存退出；保存和退出命令：① 先按键盘上的ESC；②再输入命令 :wq 【注意，有冒号】

将python全部替换为python3

4. 编译一下，命令如下：make -j8

如果输出以下一坨信息，那么编译成功啦，奥利给 :)))

三. 案例实操环节

1. 进入darknet项目下：

2. 进入cfg下查看配置文件，命令如下：

注意文件 yolov3.cfg ，我们在训练前需要修改里面的一些内容。

3. 修改yolov3.cfg，命令如下：vim yolov3.cfg

进入到如下界面：

这些参数啥意思呢？这里稍作解释：

① batch : 批处理的大小，如果你的GPU显存够大，这里可以设置为64；

② subdivisions : 将batch分组，假设batch=64, 那么可以设置subdivision=8，即分成8组，8 x 8 = 64，减少显存的压力，再分批处理；

③ width : 图片的宽度；

④ height : 图片的高度；

⑤ channels : 图片通道；

⑥ momentum : 动量，加速梯度下降；

⑦ decay : 权重衰减的正则项，防止过拟合；

【以下四个参数用于数据增强】

⑧ angle : 角度；

⑨ saturation : 饱和度；

⑩ exposure : 曝光度；

(11) hue : 色调；

(12) learning_rate : 学习率；

(13) burn_in : 门槛，如果大于burn_in，采用下面的steps参数值；

(14) max_batches : 训练次数的上限，达到则停止学习；

(15) policy ，steps，scales : 如果训练超过400000次，学习率下调10倍，超过450000次，再下调10倍；

【重点讲解：yolo参数设置部分，见下图】

① mask : 0, 1, 2 代表选取anchors的前三个，分别是：10,13 , 16,30 , 33,23

② classes : 类别的数量；

③ num : 指定每一个anchor需要预测的BoundingBox的数量；

④ jitter : 指定数据增强部分，随机调整图片宽高比的范围；

⑤ ignore_thresh : 针对IOU设置的参数，当模型预测的检测框与物体真实框匹配的时候，如果IOU大于这里设置的阈值(0.5 - 0.7之间），则不参与损失的计算。目的是控制参与损失计算的检测框的规模。

⑥ random : 训练过程中是否采用随机多尺度，1 ：是（多尺度），0 ：否（固定尺度）；

4. 修改COCO数据路径的配置，命令如下：

vim coco.data

默认的参数值界面：

根据在你电脑上COCO数据集的路径，修改里面的路径。【注意：不要用他的或我的路径，而是用你自己的路径。】

以下是我的数据集存放路径，观察一下：

coco文件夹下的内容：

5. 模型开始训练

输入命令：./darknet detector train cfg/coco.data cfg/yolov3.cfg

回车后开始训练：

当出现以下非常多的计算信息时，恭喜你，老铁，一切都顺利啦。。。泡杯咖啡去休息一下吧

6. 老铁，喝完咖啡后再继续死磕，咱们继续用预训练模型继续训练，那怎么引入呢？

① 去YOLO官网下载预训练模型；https://pjreddie.com/media/files/yolov3.weights

【福利：所有有关YOLO的配置教材、数据集、代码，我都会在百度云盘分享出来，不用担心下载不到数据集或文件。 鲜花、掌声在哪里？？？】

② 我把预训练模型存放在backup文件夹下，如图所示：

③ 执行以下命令训练：

./darknet detector train cfg/coco.data cfg/yolov3.cfg backup/yolov3.weights

如果继续输出以下信息，恭喜你，又成功啦。。。

7. 测试一张图片的检测与识别效果：

① 输入命令：

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

输出信息：

这个预训练模型的参数权重比较差，框基本上没有把狗和自行车框进去。【说来也奇怪：我用的是官网的预训练模型文件，为啥这么差？可是，官网的测试效果很好。】

② 我们现在用预训练模型 yolov3-tiny.weiths 测试，输入命令如下：

./darknet detect cfg/yolov3-tiny.cfg backup/yolov3-tiny.weights data/dog.jpg

输出结果：

输出检测效果：

8. 通过摄像头测试（注意：你的台式机或笔记本必须有摄像头）

① 输入命令如下：

./darknet detector demo cfg/coco.data cfg/yolov3.cfg backup/yolov3.weights

② 摄像头实时检测效果图：

备注：我的整个学习过程，参考的官网网站：https://pjreddie.com/darknet/yolo/ ，不过，我写的更加详细啦

‍

更多AI相关课程，请在网易云课堂和B站关注账号：唐国梁Tommy

网易云课堂：

https://study.163.com/instructor/1028614893.htm?_trace_c_p_k2_=a8d2f7653bf94cd5a821036a432179e4

B站：

https://space.bilibili.com/474347248