Translate darknet to tensorflow darkflow
基于YOLO的3D目标检测：YOLO-6D bounding box在2D图像上的投影的1个中心点和8个角点 + 置信度 + 类别C
yolov1 赛灵思（Xilinx） ZCU102 SoC 16bit量化 x86 / ARM NEON优化加速
-
YOLO-v1 论文翻译 You Only Look Once: Unified, Real-Time Object Detection 中文版 中英文对照
-
YOLO-v2 YOLO9000
YOLO9000: Better, Faster, Stronger 中文版 中英文对照
自动标注图片工具 A self automatically labeling tool
darknet yolov3 from scratch in PyTorch 详细
YOLOv3_SpringEdition C++ Windows and Linux interface library. (Train,Detect both)
终于为 YOLO 增加了 top down 的多级预测，解决了 YOLO 颗粒度粗，对小目标无力的问题。
v2 只有一个 detection，v3 一下变成了 3 个，分别是一个下采样的，feature map 为 13*13，
还有 2 个上采样的 eltwise sum，feature map 为 26*26，52*52，
也就是说 v3 的 416 版本已经用到了 52 的 feature map，
而 v2 把多尺度考虑到训练的 data 采样上，最后也只是用到了 13 的 feature map，这应该是对小目标影响最大的地方。
在论文中从单层预测五种 boundingbox 变成 每层 3 种 boundongbox(3*3=9种)。
作者 v3 替换了 v2 的 softmax loss 变成 logistic loss，
由于每个点所对应的 bounding box 少并且差异大，
每个 bounding 与 ground truth 的 matching 策略变成了 1 对 1。
当预测的目标类别很复杂的时候，采用 logistic regression 进行分类是更有效的，
比如在 Open Images Dataset 数据集进行分类。
在这个数据集中，会有很多重叠的标签，比如女人、人，
如果使用 softmax 则意味着每个候选框只对应着一个类别，但是实际上并不总是这样。
复合标签的方法能对数据进行更好的建模。
采用简化的 residual block 取代了原来 1×1 和 3×3 的 block,
其实就是加了一个 shortcut(直通捷径)，也是网络加深必然所要采取的手段(梯度就可以传播的更远)。
这和上一点是有关系的，v2 的 darknet-19 变成了 v3 的 darknet-53，
为啥呢？就是需要上采样啊，卷积层的数量自然就多了，
另外作者还是用了一连串的 3*3、1*1 卷积，3*3 的卷积增加 channel，
而 1*1 的卷积在于压缩 3*3 卷积后的特征表示。
由于 top down 的多级预测，进而改变了 router（或者说 concatenate，不同尺度特征的融合方式）时的方式，
将原来诡异的 reorg(大尺度拆分成小尺度) 改成了 upsample(上采样合并)。
YOLO 让人联想到龙珠里的沙鲁（cell），不断吸收同化对手，进化自己，提升战斗力：
YOLOv1 吸收了 SSD 的长处（加了 BN 层，扩大输入维度，使用了 Anchor，训练的时候数据增强），进化到了 YOLOv2；
吸收 DSSD 和 FPN 的长处，仿 ResNet 的 Darknet-53，仿 SqueezeNet 的纵横交叉网络，又进化到 YOLO 第三形态。
在v3中，作者新建了一个名为yolo的layer，其参数如下：
[yolo]
mask = 0,1,2
## 9组anchor对应9个框框
anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326
classes=20 ## VOC20类
num=9
jitter=.3
ignore_thresh = .5
truth_thresh = 1
random=1打开yolo_layer.c文件，找到forward部分代码。
可以看到，首先，对输入进行activation。
注意，如论文所说，对类别进行预测的时候，
没有使用v2中的softmax或softmax tree，而是直接使用了logistic变换。
for (b = 0; b < l.batch; ++b){
for(n = 0; n < l.n; ++n){
int index = entry_index(l, b, n*l.w*l.h, 0);
// 对 tx, ty(4个边框参数) 进行logistic变换
activate_array(l.output + index, 2*l.w*l.h, LOGISTIC);
index = entry_index(l, b, n*l.w*l.h, 4);
// 对confidence和C类 进行logistic变换
activate_array(l.output + index, (1+l.classes)*l.w*l.h, LOGISTIC);
}
}for (j = 0; j < l.h; ++j) {
for (i = 0; i < l.w; ++i) {
for (n = 0; n < l.n; ++n) {
// 对每个预测的 bounding box
// 找到与其IoU最大的 ground truth
int box_index = entry_index(l, b, n*l.w*l.h + j*l.w + i, 0);
box pred = get_yolo_box(l.output, l.biases, l.mask[n], box_index, i, j, l.w, l.h, net.w, net.h, l.w*l.h);
float best_iou = 0;
int best_t = 0;
for(t = 0; t < l.max_boxes; ++t){
box truth = float_to_box(net.truth + t*(4 + 1) + b*l.truths, 1);
if(!truth.x) break;
float iou = box_iou(pred, truth);
if (iou > best_iou) {
best_iou = iou;
best_t = t;
}
}
int obj_index = entry_index(l, b, n*l.w*l.h + j*l.w + i, 4);
avg_anyobj += l.output[obj_index];
// 计算梯度
// 如果大于ignore_thresh, 那么忽略
// 如果小于ignore_thresh，target = 0
// diff = -gradient = target - output
// 为什么是上式，见下面的数学分析
l.delta[obj_index] = 0 - l.output[obj_index];
if (best_iou > l.ignore_thresh) {
l.delta[obj_index] = 0;
}
// 这里仍然有疑问，为何使用 truth_thresh? 这个值是1
// 按道理，iou无论如何不可能大于1啊。。。
if (best_iou > l.truth_thresh) {
// confidence target = 1
l.delta[obj_index] = 1 - l.output[obj_index];
int class = net.truth[best_t*(4 + 1) + b*l.truths + 4];
if (l.map) class = l.map[class];
int class_index = entry_index(l, b, n*l.w*l.h + j*l.w + i, 4 + 1);
// 对class进行求导
delta_yolo_class(l.output, l.delta, class_index, class, l.classes, l.w*l.h, 0);
box truth = float_to_box(net.truth + best_t*(4 + 1) + b*l.truths, 1);
// 对box位置参数进行求导
delta_yolo_box(truth, l.output, l.biases, l.mask[n], box_index, i, j, l.w, l.h, net.w, net.h, l.delta, (2-truth.w*truth.h), l.w*l.h);
}
}
}
}// class是类别的ground truth
// classes是类别总数
// index是feature map一维数组里面class prediction的起始索引
void delta_yolo_class(float *output, float *delta, int index,
int class, int classes, int stride, float *avg_cat) {
int n;
// 这里暂时不懂
if (delta[index]){
delta[index + stride*class] = 1 - output[index + stride*class];
if(avg_cat) *avg_cat += output[index + stride*class];
return;
}
for(n = 0; n < classes; ++n){
// 见上，diff = target - prediction
delta[index + stride*n] = ((n == class)?1 : 0) - output[index + stride*n];
if(n == class && avg_cat) *avg_cat += output[index + stride*n];
}
}
// box delta这里没什么可说的，就是square error的求导
float delta_yolo_box(box truth, float *x, float *biases, int n,
int index, int i, int j, int lw, int lh, int w, int h,
float *delta, float scale, int stride) {
box pred = get_yolo_box(x, biases, n, index, i, j, lw, lh, w, h, stride);
float iou = box_iou(pred, truth);
float tx = (truth.x*lw - i);
float ty = (truth.y*lh - j);
float tw = log(truth.w*w / biases[2*n]);
float th = log(truth.h*h / biases[2*n + 1]);
delta[index + 0*stride] = scale * (tx - x[index + 0*stride]);
delta[index + 1*stride] = scale * (ty - x[index + 1*stride]);
delta[index + 2*stride] = scale * (tw - x[index + 2*stride]);
delta[index + 3*stride] = scale * (th - x[index + 3*stride]);
return iou;
}// 遍历ground truth
for(t = 0; t < l.max_boxes; ++t){
box truth = float_to_box(net.truth + t*(4 + 1) + b*l.truths, 1);
if(!truth.x) break;
// 找到iou最大的那个bounding box
float best_iou = 0;
int best_n = 0;
i = (truth.x * l.w);
j = (truth.y * l.h);
box truth_shift = truth;
truth_shift.x = truth_shift.y = 0;
for(n = 0; n < l.total; ++n){
box pred = {0};
pred.w = l.biases[2*n]/net.w;
pred.h = l.biases[2*n+1]/net.h;
float iou = box_iou(pred, truth_shift);
if (iou > best_iou){
best_iou = iou;
best_n = n;
}
}
int mask_n = int_index(l.mask, best_n, l.n);
if(mask_n >= 0){
int box_index = entry_index(l, b, mask_n*l.w*l.h + j*l.w + i, 0);
float iou = delta_yolo_box(truth, l.output, l.biases, best_n,
box_index, i, j, l.w, l.h, net.w, net.h, l.delta,
(2-truth.w*truth.h), l.w*l.h);
int obj_index = entry_index(l, b, mask_n*l.w*l.h + j*l.w + i, 4);
avg_obj += l.output[obj_index];
// 对应objectness target = 1
l.delta[obj_index] = 1 - l.output[obj_index];
int class = net.truth[t*(4 + 1) + b*l.truths + 4];
if (l.map) class = l.map[class];
int class_index = entry_index(l, b, mask_n*l.w*l.h + j*l.w + i, 4 + 1);
delta_yolo_class(l.output, l.delta, class_index, class, l.classes, l.w*l.h, &avg_cat);
++count;
++class_count;
if(iou > .5) recall += 1;
if(iou > .75) recall75 += 1;
avg_iou += iou;
}
}=============================================
=============================================
git clone https://github.com/pjreddie/darknet
cd darknet
make
opencv安装
安装了 opencv之后 可以打开opencv的编译选项
还有多线程 openMP选项
OPENCV=1
OPENMP=1
问题 problem:
/usr/bin/ld: 找不到 -lippicv
解决办法 solution:
pkg-config加载库的路径是/usr/local/lib,我们去这这个路径下看看，
发现没有-lippicv对应的库，别的选项都有对应的库，然后我们把-lippicv对应的库（libippicv.a）
放到这个路径下就好啦了。
我的liboppicv.a 在../opencv-3.1.0/3rdparty/ippicv/unpack/ippicv_lnx/lib/intel64/liboppicv.a
这个路径下。
你的也在你自己opencv文件夹的对应路径下。
先cd 到上面这个路径下，然后sudo cp liboppicv.a /usr/local/lib
将这个库文件复制到/usr/local/lib下就好了。
查看 opencv 是否安装成功 pkg-config --modversion opencv
nvcc=/usr/local/cuda-8.0/bin/nvcc
进入目录：cd /etc/ld.so.conf.d
创建：sudo vim opencv.conf
添加：/usr/local/lib opencv的实际安装路径
执行：sudo ldconfig
命令行安装 sudo apt-get install python-skimage
源码安装
git clone https://github.com/scikit-image/scikit-image.git
安装所有必需的依赖项:
sudo apt-get install python-matplotlib python-numpy python-pil python-scipy python-
使用已经安装好的的编译器:
sudo apt-get install build-essential cython
cd scikit-image
如果你的编译工具完全的话，直接运行:
pip install -U -e .
安装 sudo dpkg -i cython_0.25.2-2build3_amd64.deb
更新:
git pull # Grab latest source
python setup.py build_ext -i # Compile any modified extensions
sudo apt-get install python-protobuf
============================================ =============================================
yolov3
wget https://pjreddie.com/media/files/yolov3.weights 对于coco数据集的
yolo v2 的权重 大 网络
wget https://pjreddie.com/media/files/yolov2.weights 对于 coco数据集 yolov2.cfg
./darknet detect cfg/yolov2.cfg yolov2.weights data/dog.jpg 检测
yolo v2 的权重 小 网络
wget https://pjreddie.com/media/files/yolov2-tiny.weights 对于 coco数据集 yolov2-tiny.cfg
./darknet detect cfg/yolov2-tiny.cfg yolov2-tiny.weights data/dog.jpg 检测
yolo v2 的权重 大 网络
wget https://pjreddie.com/media/files/yolov2-voc.weights 对于 voc数据集 yolov2-voc.cfg
./darknet detect cfg/yolov2-voc.cfg yolov2.weights data/dog.jpg 检测
yolo v2 的权重 小 网络
wget https://pjreddie.com/media/files/yolov2-tiny-voc.weights 对于 voc数据集 yolov2-tiny-voc.cfg
./darknet detect cfg/yolov2-tiny-voc.cfg yolov2-tiny-voc.weights data/dog.jpg 检测
yolo v1 的权重 大 网络
wget http://pjreddie.com/media/files/yolov1/yolov1.weights 对于 voc数据集
./darknet yolo test cfg/yolov1/yolo.cfg yolov1.weights data/dog.jpg 检测
yolo v1 的权重 小 网络
wget http://pjreddie.com/media/files/yolov1/tiny-yolov1.weights 对于 voc数据集
./darknet yolo test cfg/yolov1/tiny-yolo.cfg tiny-yolov1.weights data/person.jpg 检测
=============================================
=============================================
a. yolo v3 检测
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
输出信息：
(模型结构 和 置信度 检测时间 等信息 cpu上 6-12s/张 )
layer filters size input output
0 conv 32 3 x 3 / 1 416 x 416 x 3 ---> 416 x 416 x 32 0.299 GFLOPs all: 0.299 GFLOPs
1 conv 64 3 x 3 / 2 416 x 416 x 32 ---> 208 x 208 x 64 1.595 GFLOPs all: 1.894 GFLOPs
2 conv 32 1 x 1 / 1 208 x 208 x 64 ---> 208 x 208 x 32 0.177 GFLOPs all: 2.071 GFLOPs
3 conv 64 3 x 3 / 1 208 x 208 x 32 ---> 208 x 208 x 64 1.595 GFLOPs all: 3.666 GFLOPs
4 res 1 208 x 208 x 64 -> 208 x 208 x 64
5 conv 128 3 x 3 / 2 208 x 208 x 64 ---> 104 x 104 x 128 1.595 GFLOPs all: 5.261 GFLOPs
6 conv 64 1 x 1 / 1 104 x 104 x 128 ---> 104 x 104 x 64 0.177 GFLOPs all: 5.438 GFLOPs
7 conv 128 3 x 3 / 1 104 x 104 x 64 ---> 104 x 104 x 128 1.595 GFLOPs all: 7.033 GFLOPs
8 res 5 104 x 104 x 128 -> 104 x 104 x 128
9 conv 64 1 x 1 / 1 104 x 104 x 128 ---> 104 x 104 x 64 0.177 GFLOPs all: 7.210 GFLOPs
10 conv 128 3 x 3 / 1 104 x 104 x 64 ---> 104 x 104 x 128 1.595 GFLOPs all: 8.805 GFLOPs
11 res 8 104 x 104 x 128 -> 104 x 104 x 128
12 conv 256 3 x 3 / 2 104 x 104 x 128 ---> 52 x 52 x 256 1.595 GFLOPs all: 10.400 GFLOPs
13 conv 128 1 x 1 / 1 52 x 52 x 256 ---> 52 x 52 x 128 0.177 GFLOPs all: 10.577 GFLOPs
14 conv 256 3 x 3 / 1 52 x 52 x 128 ---> 52 x 52 x 256 1.595 GFLOPs all: 12.172 GFLOPs
15 res 12 52 x 52 x 256 -> 52 x 52 x 256
16 conv 128 1 x 1 / 1 52 x 52 x 256 ---> 52 x 52 x 128 0.177 GFLOPs all: 12.349 GFLOPs
17 conv 256 3 x 3 / 1 52 x 52 x 128 ---> 52 x 52 x 256 1.595 GFLOPs all: 13.944 GFLOPs
18 res 15 52 x 52 x 256 -> 52 x 52 x 256
19 conv 128 1 x 1 / 1 52 x 52 x 256 ---> 52 x 52 x 128 0.177 GFLOPs all: 14.121 GFLOPs
20 conv 256 3 x 3 / 1 52 x 52 x 128 ---> 52 x 52 x 256 1.595 GFLOPs all: 15.716 GFLOPs
21 res 18 52 x 52 x 256 -> 52 x 52 x 256
22 conv 128 1 x 1 / 1 52 x 52 x 256 ---> 52 x 52 x 128 0.177 GFLOPs all: 15.893 GFLOPs
23 conv 256 3 x 3 / 1 52 x 52 x 128 ---> 52 x 52 x 256 1.595 GFLOPs all: 17.488 GFLOPs
24 res 21 52 x 52 x 256 -> 52 x 52 x 256
25 conv 128 1 x 1 / 1 52 x 52 x 256 ---> 52 x 52 x 128 0.177 GFLOPs all: 17.666 GFLOPs
26 conv 256 3 x 3 / 1 52 x 52 x 128 ---> 52 x 52 x 256 1.595 GFLOPs all: 19.260 GFLOPs
27 res 24 52 x 52 x 256 -> 52 x 52 x 256
28 conv 128 1 x 1 / 1 52 x 52 x 256 ---> 52 x 52 x 128 0.177 GFLOPs all: 19.438 GFLOPs
29 conv 256 3 x 3 / 1 52 x 52 x 128 ---> 52 x 52 x 256 1.595 GFLOPs all: 21.033 GFLOPs
30 res 27 52 x 52 x 256 -> 52 x 52 x 256
31 conv 128 1 x 1 / 1 52 x 52 x 256 ---> 52 x 52 x 128 0.177 GFLOPs all: 21.210 GFLOPs
32 conv 256 3 x 3 / 1 52 x 52 x 128 ---> 52 x 52 x 256 1.595 GFLOPs all: 22.805 GFLOPs
33 res 30 52 x 52 x 256 -> 52 x 52 x 256
34 conv 128 1 x 1 / 1 52 x 52 x 256 ---> 52 x 52 x 128 0.177 GFLOPs all: 22.982 GFLOPs
35 conv 256 3 x 3 / 1 52 x 52 x 128 ---> 52 x 52 x 256 1.595 GFLOPs all: 24.577 GFLOPs
36 res 33 52 x 52 x 256 -> 52 x 52 x 256
37 conv 512 3 x 3 / 2 52 x 52 x 256 ---> 26 x 26 x 512 1.595 GFLOPs all: 26.172 GFLOPs
38 conv 256 1 x 1 / 1 26 x 26 x 512 ---> 26 x 26 x 256 0.177 GFLOPs all: 26.349 GFLOPs
39 conv 512 3 x 3 / 1 26 x 26 x 256 ---> 26 x 26 x 512 1.595 GFLOPs all: 27.944 GFLOPs
40 res 37 26 x 26 x 512 -> 26 x 26 x 512
41 conv 256 1 x 1 / 1 26 x 26 x 512 ---> 26 x 26 x 256 0.177 GFLOPs all: 28.121 GFLOPs
42 conv 512 3 x 3 / 1 26 x 26 x 256 ---> 26 x 26 x 512 1.595 GFLOPs all: 29.716 GFLOPs
43 res 40 26 x 26 x 512 -> 26 x 26 x 512
44 conv 256 1 x 1 / 1 26 x 26 x 512 ---> 26 x 26 x 256 0.177 GFLOPs all: 29.893 GFLOPs
45 conv 512 3 x 3 / 1 26 x 26 x 256 ---> 26 x 26 x 512 1.595 GFLOPs all: 31.488 GFLOPs
46 res 43 26 x 26 x 512 -> 26 x 26 x 512
47 conv 256 1 x 1 / 1 26 x 26 x 512 ---> 26 x 26 x 256 0.177 GFLOPs all: 31.665 GFLOPs
48 conv 512 3 x 3 / 1 26 x 26 x 256 ---> 26 x 26 x 512 1.595 GFLOPs all: 33.260 GFLOPs
49 res 46 26 x 26 x 512 -> 26 x 26 x 512
50 conv 256 1 x 1 / 1 26 x 26 x 512 ---> 26 x 26 x 256 0.177 GFLOPs all: 33.437 GFLOPs
51 conv 512 3 x 3 / 1 26 x 26 x 256 ---> 26 x 26 x 512 1.595 GFLOPs all: 35.032 GFLOPs
52 res 49 26 x 26 x 512 -> 26 x 26 x 512
53 conv 256 1 x 1 / 1 26 x 26 x 512 ---> 26 x 26 x 256 0.177 GFLOPs all: 35.209 GFLOPs
54 conv 512 3 x 3 / 1 26 x 26 x 256 ---> 26 x 26 x 512 1.595 GFLOPs all: 36.804 GFLOPs
55 res 52 26 x 26 x 512 -> 26 x 26 x 512
56 conv 256 1 x 1 / 1 26 x 26 x 512 ---> 26 x 26 x 256 0.177 GFLOPs all: 36.981 GFLOPs
57 conv 512 3 x 3 / 1 26 x 26 x 256 ---> 26 x 26 x 512 1.595 GFLOPs all: 38.576 GFLOPs
58 res 55 26 x 26 x 512 -> 26 x 26 x 512
59 conv 256 1 x 1 / 1 26 x 26 x 512 ---> 26 x 26 x 256 0.177 GFLOPs all: 38.753 GFLOPs
60 conv 512 3 x 3 / 1 26 x 26 x 256 ---> 26 x 26 x 512 1.595 GFLOPs all: 40.348 GFLOPs
61 res 58 26 x 26 x 512 -> 26 x 26 x 512
62 conv 1024 3 x 3 / 2 26 x 26 x 512 ---> 13 x 13 x1024 1.595 GFLOPs all: 41.943 GFLOPs
63 conv 512 1 x 1 / 1 13 x 13 x1024 ---> 13 x 13 x 512 0.177 GFLOPs all: 42.120 GFLOPs
64 conv 1024 3 x 3 / 1 13 x 13 x 512 ---> 13 x 13 x1024 1.595 GFLOPs all: 43.715 GFLOPs
65 res 62 13 x 13 x1024 -> 13 x 13 x1024
66 conv 512 1 x 1 / 1 13 x 13 x1024 ---> 13 x 13 x 512 0.177 GFLOPs all: 43.893 GFLOPs
67 conv 1024 3 x 3 / 1 13 x 13 x 512 ---> 13 x 13 x1024 1.595 GFLOPs all: 45.487 GFLOPs
68 res 65 13 x 13 x1024 -> 13 x 13 x1024
69 conv 512 1 x 1 / 1 13 x 13 x1024 ---> 13 x 13 x 512 0.177 GFLOPs all: 45.665 GFLOPs
70 conv 1024 3 x 3 / 1 13 x 13 x 512 ---> 13 x 13 x1024 1.595 GFLOPs all: 47.260 GFLOPs
71 res 68 13 x 13 x1024 -> 13 x 13 x1024
72 conv 512 1 x 1 / 1 13 x 13 x1024 ---> 13 x 13 x 512 0.177 GFLOPs all: 47.437 GFLOPs
73 conv 1024 3 x 3 / 1 13 x 13 x 512 ---> 13 x 13 x1024 1.595 GFLOPs all: 49.032 GFLOPs
74 res 71 13 x 13 x1024 -> 13 x 13 x1024
75 conv 512 1 x 1 / 1 13 x 13 x1024 ---> 13 x 13 x 512 0.177 GFLOPs all: 49.209 GFLOPs
76 conv 1024 3 x 3 / 1 13 x 13 x 512 ---> 13 x 13 x1024 1.595 GFLOPs all: 50.804 GFLOPs
77 conv 512 1 x 1 / 1 13 x 13 x1024 ---> 13 x 13 x 512 0.177 GFLOPs all: 50.981 GFLOPs
78 conv 1024 3 x 3 / 1 13 x 13 x 512 ---> 13 x 13 x1024 1.595 GFLOPs all: 52.576 GFLOPs
79 conv 512 1 x 1 / 1 13 x 13 x1024 ---> 13 x 13 x 512 0.177 GFLOPs all: 52.753 GFLOPs
80 conv 1024 3 x 3 / 1 13 x 13 x 512 ---> 13 x 13 x1024 1.595 GFLOPs all: 54.348 GFLOPs
81 conv 255 1 x 1 / 1 13 x 13 x1024 ---> 13 x 13 x 255 0.088 GFLOPs all: 54.436 GFLOPs
82 detection
83 route 79
84 conv 256 1 x 1 / 1 13 x 13 x 512 ---> 13 x 13 x 256 0.044 GFLOPs all: 54.480 GFLOPs
85 upsample 2x 13 x 13 x 256 -> 26 x 26 x 256
86 route 85 61
87 conv 256 1 x 1 / 1 26 x 26 x 768 ---> 26 x 26 x 256 0.266 GFLOPs all: 54.746 GFLOPs
88 conv 512 3 x 3 / 1 26 x 26 x 256 ---> 26 x 26 x 512 1.595 GFLOPs all: 56.341 GFLOPs
89 conv 256 1 x 1 / 1 26 x 26 x 512 ---> 26 x 26 x 256 0.177 GFLOPs all: 56.518 GFLOPs
90 conv 512 3 x 3 / 1 26 x 26 x 256 ---> 26 x 26 x 512 1.595 GFLOPs all: 58.113 GFLOPs
91 conv 256 1 x 1 / 1 26 x 26 x 512 ---> 26 x 26 x 256 0.177 GFLOPs all: 58.290 GFLOPs
92 conv 512 3 x 3 / 1 26 x 26 x 256 ---> 26 x 26 x 512 1.595 GFLOPs all: 59.885 GFLOPs
93 conv 255 1 x 1 / 1 26 x 26 x 512 ---> 26 x 26 x 255 0.177 GFLOPs all: 60.062 GFLOPs
94 detection
95 route 91
96 conv 128 1 x 1 / 1 26 x 26 x 256 ---> 26 x 26 x 128 0.044 GFLOPs all: 60.106 GFLOPs
97 upsample 2x 26 x 26 x 128 -> 52 x 52 x 128
98 route 97 36
99 conv 128 1 x 1 / 1 52 x 52 x 384 ---> 52 x 52 x 128 0.266 GFLOPs all: 60.372 GFLOPs
100 conv 256 3 x 3 / 1 52 x 52 x 128 ---> 52 x 52 x 256 1.595 GFLOPs all: 61.967 GFLOPs
101 conv 128 1 x 1 / 1 52 x 52 x 256 ---> 52 x 52 x 128 0.177 GFLOPs all: 62.144 GFLOPs
102 conv 256 3 x 3 / 1 52 x 52 x 128 ---> 52 x 52 x 256 1.595 GFLOPs all: 63.739 GFLOPs
103 conv 128 1 x 1 / 1 52 x 52 x 256 ---> 52 x 52 x 128 0.177 GFLOPs all: 63.916 GFLOPs
104 conv 256 3 x 3 / 1 52 x 52 x 128 ---> 52 x 52 x 256 1.595 GFLOPs all: 65.511 GFLOPs
105 conv 255 1 x 1 / 1 52 x 52 x 256 ---> 52 x 52 x 255 0.353 GFLOPs all: 65.864 GFLOPs
106 detection
Loading weights from yolov3.weights...Done!
data/dog.jpg: Predicted in 0.025317 seconds.
dog: 99%
truck: 92%
bicycle: 99%
b. yolov2 检测
./darknet detect cfg/yolov2.cfg yolov2.weights data/dog.jpg
输出信息：
layer filters size input output
0 conv 32 3 x 3 / 1 416 x 416 x 3 ---> 416 x 416 x 32 0.299 GFLOPs all: 0.299 GFLOPs
1 max 2 x 2 / 2 416 x 416 x 32 -> 208 x 208 x 32
2 conv 64 3 x 3 / 1 208 x 208 x 32 ---> 208 x 208 x 64 1.595 GFLOPs all: 1.894 GFLOPs
3 max 2 x 2 / 2 208 x 208 x 64 -> 104 x 104 x 64
4 conv 128 3 x 3 / 1 104 x 104 x 64 ---> 104 x 104 x 128 1.595 GFLOPs all: 3.489 GFLOPs
5 conv 64 1 x 1 / 1 104 x 104 x 128 ---> 104 x 104 x 64 0.177 GFLOPs all: 3.666 GFLOPs
6 conv 128 3 x 3 / 1 104 x 104 x 64 ---> 104 x 104 x 128 1.595 GFLOPs all: 5.261 GFLOPs
7 max 2 x 2 / 2 104 x 104 x 128 -> 52 x 52 x 128
8 conv 256 3 x 3 / 1 52 x 52 x 128 ---> 52 x 52 x 256 1.595 GFLOPs all: 6.856 GFLOPs
9 conv 128 1 x 1 / 1 52 x 52 x 256 ---> 52 x 52 x 128 0.177 GFLOPs all: 7.033 GFLOPs
10 conv 256 3 x 3 / 1 52 x 52 x 128 ---> 52 x 52 x 256 1.595 GFLOPs all: 8.628 GFLOPs
11 max 2 x 2 / 2 52 x 52 x 256 -> 26 x 26 x 256
12 conv 512 3 x 3 / 1 26 x 26 x 256 ---> 26 x 26 x 512 1.595 GFLOPs all: 10.223 GFLOPs
13 conv 256 1 x 1 / 1 26 x 26 x 512 ---> 26 x 26 x 256 0.177 GFLOPs all: 10.400 GFLOPs
14 conv 512 3 x 3 / 1 26 x 26 x 256 ---> 26 x 26 x 512 1.595 GFLOPs all: 11.995 GFLOPs
15 conv 256 1 x 1 / 1 26 x 26 x 512 ---> 26 x 26 x 256 0.177 GFLOPs all: 12.172 GFLOPs
16 conv 512 3 x 3 / 1 26 x 26 x 256 ---> 26 x 26 x 512 1.595 GFLOPs all: 13.767 GFLOPs
17 max 2 x 2 / 2 26 x 26 x 512 -> 13 x 13 x 512
18 conv 1024 3 x 3 / 1 13 x 13 x 512 ---> 13 x 13 x1024 1.595 GFLOPs all: 15.362 GFLOPs
19 conv 512 1 x 1 / 1 13 x 13 x1024 ---> 13 x 13 x 512 0.177 GFLOPs all: 15.539 GFLOPs
20 conv 1024 3 x 3 / 1 13 x 13 x 512 ---> 13 x 13 x1024 1.595 GFLOPs all: 17.134 GFLOPs
21 conv 512 1 x 1 / 1 13 x 13 x1024 ---> 13 x 13 x 512 0.177 GFLOPs all: 17.311 GFLOPs
22 conv 1024 3 x 3 / 1 13 x 13 x 512 ---> 13 x 13 x1024 1.595 GFLOPs all: 18.906 GFLOPs
23 conv 1024 3 x 3 / 1 13 x 13 x1024 ---> 13 x 13 x1024 3.190 GFLOPs all: 22.096 GFLOPs
24 conv 1024 3 x 3 / 1 13 x 13 x1024 ---> 13 x 13 x1024 3.190 GFLOPs all: 25.286 GFLOPs
25 route 16
26 conv 64 1 x 1 / 1 26 x 26 x 512 ---> 26 x 26 x 64 0.044 GFLOPs all: 25.330 GFLOPs
27 reorg / 2 26 x 26 x 64 -> 13 x 13 x 256
28 route 27 24
29 conv 1024 3 x 3 / 1 13 x 13 x1280 ---> 13 x 13 x1024 3.987 GFLOPs all: 29.317 GFLOPs
30 conv 425 1 x 1 / 1 13 x 13 x1024 ---> 13 x 13 x 425 0.147 GFLOPs all: 29.464 GFLOPs
31 detection
mask_scale: Using default '1.000000'
Loading weights from yolov2.weights...Done!
data/dog.jpg: Predicted in 0.009945 seconds.
dog: 81%
truck: 74%
bicycle: 83%
c. yolov1 测试
./darknet detector test cfg/voc_my_cfg.data cfg/yolov1.cfg ../caffe-yolo/yolov1/yolov1.weights data/dog.jpg
输出信息：
layer filters size input output
0 conv 64 7 x 7 / 2 448 x 448 x 3 ---> 224 x 224 x 64 0.944 GFLOPs all: 0.944 GFLOPs
1 max 2 x 2 / 2 224 x 224 x 64 -> 112 x 112 x 64
2 conv 192 3 x 3 / 1 112 x 112 x 64 ---> 112 x 112 x 192 2.775 GFLOPs all: 3.719 GFLOPs
3 max 2 x 2 / 2 112 x 112 x 192 -> 56 x 56 x 192
4 conv 128 1 x 1 / 1 56 x 56 x 192 ---> 56 x 56 x 128 0.154 GFLOPs all: 3.873 GFLOPs
5 conv 256 3 x 3 / 1 56 x 56 x 128 ---> 56 x 56 x 256 1.850 GFLOPs all: 5.722 GFLOPs
6 conv 256 1 x 1 / 1 56 x 56 x 256 ---> 56 x 56 x 256 0.411 GFLOPs all: 6.134 GFLOPs
7 conv 512 3 x 3 / 1 56 x 56 x 256 ---> 56 x 56 x 512 7.399 GFLOPs all: 13.532 GFLOPs
8 max 2 x 2 / 2 56 x 56 x 512 -> 28 x 28 x 512
9 conv 256 1 x 1 / 1 28 x 28 x 512 ---> 28 x 28 x 256 0.206 GFLOPs all: 13.738 GFLOPs
10 conv 512 3 x 3 / 1 28 x 28 x 256 ---> 28 x 28 x 512 1.850 GFLOPs all: 15.587 GFLOPs
11 conv 256 1 x 1 / 1 28 x 28 x 512 ---> 28 x 28 x 256 0.206 GFLOPs all: 15.793 GFLOPs
12 conv 512 3 x 3 / 1 28 x 28 x 256 ---> 28 x 28 x 512 1.850 GFLOPs all: 17.643 GFLOPs
13 conv 256 1 x 1 / 1 28 x 28 x 512 ---> 28 x 28 x 256 0.206 GFLOPs all: 17.848 GFLOPs
14 conv 512 3 x 3 / 1 28 x 28 x 256 ---> 28 x 28 x 512 1.850 GFLOPs all: 19.698 GFLOPs
15 conv 256 1 x 1 / 1 28 x 28 x 512 ---> 28 x 28 x 256 0.206 GFLOPs all: 19.903 GFLOPs
16 conv 512 3 x 3 / 1 28 x 28 x 256 ---> 28 x 28 x 512 1.850 GFLOPs all: 21.753 GFLOPs
17 conv 512 1 x 1 / 1 28 x 28 x 512 ---> 28 x 28 x 512 0.411 GFLOPs all: 22.164 GFLOPs
18 conv 1024 3 x 3 / 1 28 x 28 x 512 ---> 28 x 28 x1024 7.399 GFLOPs all: 29.563 GFLOPs
19 max 2 x 2 / 2 28 x 28 x1024 -> 14 x 14 x1024
20 conv 512 1 x 1 / 1 14 x 14 x1024 ---> 14 x 14 x 512 0.206 GFLOPs all: 29.768 GFLOPs
21 conv 1024 3 x 3 / 1 14 x 14 x 512 ---> 14 x 14 x1024 1.850 GFLOPs all: 31.618 GFLOPs
22 conv 512 1 x 1 / 1 14 x 14 x1024 ---> 14 x 14 x 512 0.206 GFLOPs all: 31.824 GFLOPs
23 conv 1024 3 x 3 / 1 14 x 14 x 512 ---> 14 x 14 x1024 1.850 GFLOPs all: 33.673 GFLOPs
24 conv 1024 3 x 3 / 1 14 x 14 x1024 ---> 14 x 14 x1024 3.699 GFLOPs all: 37.373 GFLOPs
25 conv 1024 3 x 3 / 2 14 x 14 x1024 ---> 7 x 7 x1024 0.925 GFLOPs all: 38.298 GFLOPs
26 conv 1024 3 x 3 / 1 7 x 7 x1024 ---> 7 x 7 x1024 0.925 GFLOPs all: 39.222 GFLOPs
27 conv 1024 3 x 3 / 1 7 x 7 x1024 ---> 7 x 7 x1024 0.925 GFLOPs all: 40.147 GFLOPs
28 Local Layer: 7 x 7 x 1024 image, 256 filters -> 7 x 7 x 256 image
29 dropout p = 0.50 12544 -> 12544
30 connected 12544 -> 1715
31 Detection Layer
forced: Using default '0'
Loading weights from ../caffe-yolo/yolov1/yolov1.weights...Done!
data/dog.jpg: Predicted in 1.231002 seconds.
car: 55%
============================================== ==============================================
data/eagle.jpg, data/dog.jpg, data/person.jpg, data/horses.jpg
==============================================
==============================================
./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg
==============================================
==============================================
./darknet detect cfg/yolov3.cfg yolov3.weights
==============================================
==============================================
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg -thresh 0
==============================================
==============================================
./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights
==============================================
==============================================
./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights <video file>
==============================================
==============================================
如果是学习如何训练，建议不要用VOC或者COCO,这两个数据集复杂，类别较多，
复现作者的效果需要一定的功力，迭代差不多5w次，就可以看到初步的效果。
所以，不如挑个简单数据集的或者手动标注个几百张就可以进行训练学习。
显存不够，调小batch，关闭多尺度训练：random = 0。
经过几个数据集的测试，前期loss偏大是正常的，后面就很快收敛了。
三个尺度上预测不同大小的框 82卷积层 为最大的预测尺度，使用较大的mask，但是可以预测出较小的物体 94卷积层 为中间的预测尺度，使用中等的mask， 106卷积层为最小的预测尺度，使用较小的mask，可以预测出较大的物体
总共提供9种不同尺度的先验框， 每个尺度预测三种，先验框。预测20类的话，3*（5+20）=75
在显存允许的情况下，可适当增加batch大小，可以一定程度上减少NAN的出现
F-rcnn使用人工指定的预设款尺寸，可能没有宏观特性 在数据集上 对真实边框 使用 K-means 聚类得到的边款长宽比例更具有宏观特性 预测的坐标值是，相对应格子的坐上点的偏移量 而长宽是相对于 整幅图像大小的比例， b.w = exp(x[index + 2stride]) * biases[2n]/w b.h = exp(x[index + 3stride]) * biases[2n+1]/h x[] 为网络输出 biases[]为 预设边框的大小 意识就是说，每个格子预测的边框输出为0~1之间 且网络输出 x[] 是相对于预设格子尺寸的 指数对数 就是在预设格子尺寸上调整，预测输出
v2 版本的格子尺寸 cfg文件中定义的是 相对于最后特征图（原图/32） v3 版本的格子尺寸 cfg文件中定义的是 相对于网络输入图的尺寸
迭代次数小于1000时，每100次保存一次，大于1000时，没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 if(i%10000 == 0) || (i<1000 && i%100 == 0)
A：首先生成对应的中文标签，
make_labels.py 修改代码中的字体，将其替换成指中文字体，如果提示提示缺少**模块，安装就行了。
B：添加自己的读取标签和画框函数
如果编译时没有制定opencv，基本上很难实现。如果编译时指定了opencv,在画框的函数里面添加一下就行了。
测试的时候，保存的默认名称是predictions.自己改成对应的图片名称即可。
====================================
给定自然图片， 从中识别出特定物体。
待识别的物体有20类：
囊括了车、人、猫、狗等20类常见目标。训练样本较少、场景变化多端，非常具有挑战性。
aeroplane
bicycle
bird
boat
bottle
bus
car
cat
chair
cow
diningtable
dog
horse
motorbike
person
pottedplant
sheep
sofa
train
tvmonitor
===================================
其目录结构如下:
.
├── VOC2007
│ ├── Annotations // 放的是.xml文件
│ ├── ImageSets // 稍微复杂
│ ├── JPEGImages // 存放的是对应的.jpg图像
│ ├── SegmentationClass // 语义分割类
│ └── SegmentationObject // 语义分割区域
└── VOC2012
├── Annotations
├── ImageSets
├── JPEGImages
├── SegmentationClass
└── SegmentationObject
ImageSets目录中结构如下, 主要关注的是Main文件夹中的trainval.txt, train.txt , val.txt以及test.txt四个文件.
.
├── Layout
│ ├── test.txt
│ ├── train.txt
│ ├── trainval.txt
│ └── val.txt
├── Main
│ ├── aeroplane_test.txt
│ ├── aeroplane_train.txt
│ ├── aeroplane_trainval.txt
│ ├── aeroplane_val.txt
│ ├── ...
│ ├── test.txt //重要
│ ├── train.txt //重要
│ ├── trainval.txt //重要
│ └── val.txt //重要
└── Segmentation
├── test.txt
├── train.txt
├── trainval.txt
└── val.txt
调整自己数据集的格式 成 voc数据及格式：
1 . 首先是把之前杂乱的图片文件名重新整理, 如下所示:
.
├── image00001.jpg
├── image00002.jpg
├── image00012.jpg
├── ...
├── image04524.jpg
├── image04525.jpg
└── image04526.jpg
2. 随后用labelImg重新标注这些图. 标注完成后, 建立我们自己的数据集的结构,
并且将图片和标注放到对应的文件夹里:
.
├── ROB2017
│ ├── Annotations
│ ├── ImageSets
│ ├── JPEGImages
│ └── JPEGImages_original
└── scripts
├── clean.py
├── conf.json
├── convert_png2jpg.py
└── split_dataset.py
之后写了几个脚本, 其中clean.py用来清理未标注的图片;
split_dataset.py用来分割训练集验证集测试集, 并且保存到ImageSets/Main中.
### 10.2 下载数据集： wget https://pjreddie.com/media/files/VOCtrainval_11-May-2012.tar wget https://pjreddie.com/media/files/VOCtrainval_06-Nov-2007.tar wget https://pjreddie.com/media/files/VOCtest_06-Nov-2007.tar tar xf VOCtrainval_11-May-2012.tar tar xf VOCtrainval_06-Nov-2007.tar tar xf VOCtest_06-Nov-2007.tar 存在于 VOCdevkit/ 子目录下
===================================
每个框 类别 一行 x, y, width, and height 与图像长和宽相关
<object-class> <x> <y> <width> <height>
运行标记文件 脚本
run scripts/voc_label.py
python voc_label.py
会在 VOCdevkit/VOC2007/labels/ and VOCdevkit/VOC2012/labels/
下生成一些列文件
ls
2007_test.txt VOCdevkit
2007_train.txt voc_label.py
2007_val.txt VOCtest_06-Nov-2007.tar
2012_train.txt VOCtrainval_06-Nov-2007.tar
2012_val.txt VOCtrainval_11-May-2012.tar
除去2007_test.txt 生成一个文件
cat 2007_train.txt 2007_val.txt 2012_*.txt > train.txt
==================================
classes= 20
train = <path-to-voc>/train.txt
valid = <path-to-voc>2007_test.txt
names = data/voc.names
backup = backup
classes= 20
train = /home/sujun/ewenwan/software/darknet/data/voc/my_train_data.txt
valid = /home/sujun/ewenwan/software/darknet/data/voc/2007_test.txt
names = data/voc.names
backup = backup
[net]
# Testing # 测试模式
# batch=1 # bigger gpu memory cost higher
# subdivisions=1
# Training 训练
batch=64 # 一次训练使用多张图片
subdivisions=16 # 分成16次载入gpu内存 也就是一次载入 4张图片
width=416 # 网络输入的 宽 高 通道数量
height=416
channels=3
momentum=0.9 # 动量
decay=0.0005 # 衰减权重
angle=0 # 图片旋转
saturation = 1.5 # 饱和度 图像预处理
exposure = 1.5 # 曝光度
hue=.1 # 色调
learning_rate=0.0001# bigger easy spread学习率
burn_in=1000 # 学习率控制参数
max_batches = 50200 # 最大迭代次数
policy=steps # 学习策略 随时间递减，还是按步长递减
steps=40000,45000 # 学习率变动步长 逐步降低 学习率 牛顿下山法
scales=.1,.1 # 学习率变动因子
...
...
[convolutional]
size=1
stride=1
pad=1
filters=75 # 最后输出 = 3*(20+5) 三个尺度，每个尺度预测3种格子，每个格子预测20类，5个框参数
activation=linear
[yolo]
mask = 0,1,2 # 前三个 预设边框尺寸 kmeans聚类的结果
anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326
classes=20 # 类别数量
num=9 # 总共的预设边框数量
jitter=.3 # 数据扩充的抖动
ignore_thresh = .5 # 阈值
truth_thresh = 1
random=1 # 多尺度训练开关
=========================================================
yolo v3 的预训练文件
from darknet53
wget https://pjreddie.com/media/files/darknet53.conv.74 对于 yolov3.cfg / 对于 yolov3-voc.cfg 等
yolo v2 的预训练文件
wget https://pjreddie.com/media/files/darknet19_448.conv.23
yolo v1 的预训练文件
https://pjreddie.com/media/files/extraction.conv.weights 对于 yolov1.cfg
https://pjreddie.com/media/files/darknet.conv.weights 对于 yolov1-tiny.cfg
=========================================================
从零开始
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74
断点继续训练
./darknet detector train cfg/voc_my_cfg.data cfg/yolov3-voc.cfg backup/yolov3-voc.backup
./darknet detect cfg/yolov3-voc.cfg backup/yolov3-voc_20000.weights data/dog.jpg
==========================================================
=========================================================
需要注意的是，如果学习率设置的比较大，训练结果很容易发散，训练过程输出的log会有nan字样，需要减小学习率后再进行训练。
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 2>1 | tee paul_train_log.txt
darknet支持多GPU，使用多GPU训练可以极大加速训练速度。
### 单GPU与多GPU的切换技巧
在darknet上使用多GPU训练需要一定技巧，盲目使用多GPU训练会悲剧的发现损失一直在下降、
recall在上升，然而Obj几乎为零,最终得到的权重文件无法预测出bounding box。
使用多GPU训练前需要先用单GPU训练至Obj有稳定上升的趋势后（我一般在obj大于0.1后切换）
再使用backup中备份的weights通过多GPU继续训练。
一般情况下使用单GPU训练1000个迭代即可切换到多GPU。
./darknet detector train cfg/voc_my_cfg.data cfg/yolov3-voc.cfg backup/yolov3-voc_1000.weights -gpus 0,1,2,3 2>1 | sudo tee paul_train_log.txt
nvidia-smi 差看GPU使用情况
使用多GPU训练时，学习率是使用单GPU训练的n倍，n是使用GPU的个数
v3 各项参数
A.filters数目是怎么计算的：3x(classes数目+5)，和聚类数目分布有关，论文中有说明；
B.如果想修改默认anchors数值，使用k-means即可；
C.如果显存很小，将random设置为0，关闭多尺度训练；
D.其他参数如何调整，有空再补;
E.前100次迭代loss较大，后面会很快收敛；
log 参数：
Region xx: cfg文件中yolo-layer的索引；
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: 查全率较低 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: 查全率较低 以IOU=0.75为阈值时候的recall;
count: 正样本数目。
训练log中各参数的意义 v2
Region Avg IOU：平均的IOU，代表预测的bounding box和ground truth的交集与并集之比，期望该值趋近于1。
Class:是标注物体的概率，期望该值趋近于1.
Obj：期望该值趋近于1.
No Obj:期望该值越来越小但不为零.
Avg Recall：期望该值趋近1
avg：平均损失，期望该值趋近于0
使用train_loss_visualization.py脚本可以绘制loss变化曲线。
保存log时会生成两个文件，文件1里保存的是网络加载信息和checkout点保存信息，paul_train_log.txt中保存的是训练信息。
1、删除log开头的三行：
0,1,2,3,4,5,6,7
yolo-paul
Learning Rate: 1e-05, Momentum: 0.9, Decay: 0.0005
2、删除log的结尾几行，使最后一行为batch的输出，如：
shift +g 到最后
497001: 0.863348, 0.863348 avg, 0.001200 rate, 5.422251 seconds, 107352216 images
3、执行extract_log.py脚本，格式化log。
最终log格式：
Loaded: 5.588888 seconds
Region Avg IOU: 0.649881, Class: 0.854394, Obj: 0.476559, No Obj: 0.007302, Avg Recall: 0.737705, count: 61
Region Avg IOU: 0.671544, Class: 0.959081, Obj: 0.523326, No Obj: 0.006902, Avg Recall: 0.780000, count: 50
Region Avg IOU: 0.525841, Class: 0.815314, Obj: 0.449031, No Obj: 0.006602, Avg Recall: 0.484375, count: 64
Region Avg IOU: 0.583596, Class: 0.830763, Obj: 0.377681, No Obj: 0.007916, Avg Recall: 0.629214, count: 89
Region Avg IOU: 0.651377, Class: 0.908635, Obj: 0.460094, No Obj: 0.008060, Avg Recall: 0.753425, count: 73
Region Avg IOU: 0.571363, Class: 0.880554, Obj: 0.341659, No Obj: 0.007820, Avg Recall: 0.633663, count: 101
Region Avg IOU: 0.585424, Class: 0.935552, Obj: 0.358635, No Obj: 0.008192, Avg Recall: 0.644860, count: 107
Region Avg IOU: 0.599972, Class: 0.832793, Obj: 0.382910, No Obj: 0.009005, Avg Recall: 0.650602, count: 83
497001: 0.863348, 0.863348 avg, 0.000012 rate, 5.422251 seconds, 107352216 images
4、修改train_loss_visualization.py中lines为log行数，并根据需要修改要跳过的行数。
skiprows=[x for x in range(lines) if ((x%10!=9) |(x<1000))]
运行train_loss_visualization.py会在脚本所在路径生成avg_loss.png
从损失变化曲线可以看出，模型在100000万次迭代后损失下降速度非常慢，几乎没有下降。
结合log和cfg文件发现，我自定义的学习率变化策略在十万次迭代时会减小十倍，
十万次迭代后学习率下降到非常小的程度，导致损失下降速度降低。
修改cfg中的学习率变化策略，10万次迭代时不改变学习率，30万次时再降低。
我使用迭代97000次时的备份的checkout点来继续训练。
./darknet detector train cfg/voc_my_cfg.data cfg/yolov3-voc.cfg backup/yolov3-voc_97000.weights -gpus 0,1,2,3 2>1 | sudo tee paul_train_log.txt
除了可视化loss，还可以可视化Avg IOU，Avg Recall等参数。
可视化’Region Avg IOU’, ‘Class’, ‘Obj’, ‘No Obj’, ‘Avg Recall’,’count’
这些参数可以使用脚本train_iou_visualization.py，使用方式和train_loss_visualization.py相同。
评估模型可以使用命令valid（只有预测结果，没有评价预测是否正确）或recall，这两个命令都无法满足我的需求，我实现了category命令做性能评估。
我使用迭代97000次时的备份的checkout点来继续训练。
在voc_my_cfg.data 末尾添加
eval = imagenet #有voc、coco、imagenet三种模式
修改Detector.c文件validate_detector函数，修改阈值（默认.005）
float thresh = .1;
重新编译然后执行命令
./darknet detector valid cfg/voc_my_cfg.data cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights
修改 Detector.c文件的validate_detector_recall函数：
1、修改阈值：
float thresh = .25;
2、修改验证集路径：
list *plist = get_paths("/mnt/large4t/pengchong_data/Data/Paul/filelist/val.txt");
3、增加Precision
//fprintf(stderr, "%5d %5d %5d\tRPs/Img: %.2f\tIOU: %.2f%%\tRecall:%.2f%%\n", i, correct, total, (float)proposals/(i+1), avg_iou*100/total, 100.*correct/total);
fprintf(stderr, "ID:%5d Correct:%5d Total:%5d\tRPs/Img: %.2f\tIOU: %.2f%%\tRecall:%.2f%%\t", i, correct, total, (float)proposals/(i+1), avg_iou*100/total, 100.*correct/total);
fprintf(stderr, "proposals:%5d\tPrecision:%.2f%%\n",proposals,100.*correct/(float)proposals
4、执行命令
./darknet detector recall cfg/voc_my_cfg.data cfg/yolov3-voc.cfg backup/yolov3-voc_final.weights
微软发布的COCO数据库, 除了图片以外还提供物体检测, 分割(segmentation)和对图像的语义文本描述信息.
数据库提供Matlab, Python和Lua的API接口. 其中matlab和python的API接口可以提供完整的图像标签数据的加载,
parsing和可视化.此外,网站还提供了数据相关的文章, 教程等. 在使用COCO数据库提供的API和demo时, 需要首先下载COCO的图像和标签数据.
- 类别标志
- 类别数量区分
- 像素级的分割
COCO数据集有超过 200,000 张图片，80种物体类别. 所有的物体实例都用详细的分割mask进行了标注，共标注了超过 500,000 个物体实体.
{
person # 1
vehicle 交通工具 #8
{ bicycle 自行车
car 小汽车
motorcycle 摩托车
airplane 飞机
bus 公交车
train 火车
truck 卡车
boat} 船
outdoor 室外#5
{ traffic light 交通灯
fire hydrant 消防栓
stop sign
parking meter
bench}
animal 动物 #10
{ bird
cat
dog
horse
sheep
cow
elephant
bear
zebra
giraffe}
accessory 饰品 #5
{ backpack 背包
umbrella 雨伞
handbag 手提包
tie 领带
suitcase 手提箱 }
sports 运动 #10
{ frisbee
skis
snowboard
sports ball
kite
baseball bat
baseball glove
skateboard
surfboard
tennis racket }
kitchen 厨房 #7
{ bottle
wine glass
cup
fork
knife
spoon
bowl }
food 食物#10
{ banana
apple
sandwich
orange
broccoli
carrot
hot dog
pizza
donut
cake }
furniture 家具 #6
{ chair
couch
potted plant
bed
dining table
toilet }
electronic 电子产品 #6
{ tv
laptop
mouse
remote
keyboard
cell phone }
appliance 家用电器 #5
{ microwave
oven
toaster
sink
refrigerator }
indoor 室内物品#7
{ book
clock
vase
scissors
teddy bear
hair drier
toothbrush }}
cp scripts/get_coco_dataset.sh data
cd data
bash get_coco_dataset.sh
脚本细节
1. 下载 数据库API
git clone https://github.com/pdollar/coco
cd coco
2. 创建 images文件夹 并下载 图像数据 解压
在images文件夹下下载 点击链接可直接下载
wget -c https://pjreddie.com/media/files/train2014.zip
wget -c https://pjreddie.com/media/files/val2014.zip
解压
unzip -q train2014.zip
unzip -q val2014.zip
3. 下载标注文件等
cd ..
wget -c https://pjreddie.com/media/files/instances_train-val2014.zip
wget -c https://pjreddie.com/media/files/coco/5k.part
wget -c https://pjreddie.com/media/files/coco/trainvalno5k.part
wget -c https://pjreddie.com/media/files/coco/labels.tgz
sudo tar xzf labels.tgz 标签
sudo unzip -q instances_train-val2014.zip 分割 得到 annotations 实例分割
生成训练/测试图像列表文件
paste <(awk "{print \"$PWD\"}" <5k.part) 5k.part | tr -d '\t' > 5k.txt 测试验证数据
paste <(awk "{print \"$PWD\"}" <trainvalno5k.part) trainvalno5k.part | tr -d '\t' > trainvalno5k.txt 训练数据
vim cfg/coco_my.data
classes= 80
train = <path-to-coco>/trainvalno5k.txt
valid = <path-to-coco>/5k.txt
names = data/coco.names
backup = backup
cp cfg/yolov3.cfg yolov3_my.cfg vim yolov3_my.cfg
./darknet detector train cfg/coco_my.data cfg/yolov3_my.cfg darknet53.conv.74 2>1 -gpus 1 2>1 | sudo tee coco_train_log.txt
./darknet detector train cfg/coco.data cfg/yolov3.cfg darknet53.conv.74 -gpus 0,1,2,3 2>1 | sudo tee paul_train_log.txt
./darknet detector train cfg/coco.data cfg/yolov3.cfg backup/yolov3.backup -gpus 0,1,2,3