从零搭建Darknet：轻松玩转自定义数据集中的YOLO训练

一、搭建Darknet框架

1. 获取Darknet源代码

   • 打开GitHub网站，在搜索栏中输入“Darknet”。
   • 进入Darknet的官方仓库，点击“Clone or download”按钮，复制仓库的SSH或HTTPS地址。
   • 打开终端窗口，导航至您想要安装Darknet的目录，执行以下命令进行克隆：

git clone https://github.com/pjreddie/darknet

2. 编译Darknet

   • 进入克隆好的Darknet目录。
   • 执行以下命令编译Darknet：

make

二、准备自定义数据集

1. 创建数据集文件夹

   • 创建一个文件夹来存放您的自定义数据集，例如“my_dataset”。
   • 在“my_dataset”文件夹中，创建两个子文件夹：“images”和“labels”。
   • 将您的图像文件复制到“images”文件夹中。
   • 为每张图像创建相应的文本文件，并将它们放入“labels”文件夹中。

2. 编写数据标签文件

   • 打开文本编辑器，例如记事本或Sublime Text。
   • 对于每张图像，创建一个新的文本文件。
   • 在文本文件中，使用以下格式编写数据标签：

<class_id> <x_center> <y_center> <width> <height>

• 例如，如果您有一张图像中包含一只猫，则数据标签如下：

0 0.5 0.5 0.3 0.3

• 其中，“0”是猫的类别ID，“0.5”和“0.5”是猫的中心点坐标，“0.3”和“0.3”是猫的宽度和高度。

三、训练YOLO模型

1. 下载预训练权重文件

   • 从Darknet的官方网站下载YOLOv3或YOLOv4的预训练权重文件。
   • 将下载的权重文件复制到Darknet目录中的“darknet”文件夹中。

2. 修改配置文件

   • 打开Darknet目录中的“cfg”文件夹。
   • 选择您要训练的YOLO模型的配置文件，例如“yolov3.cfg”或“yolov4.cfg”。
   • 在配置文件中，找到以下行：

batch=64
subdivisions=16

• 将“batch”的值更改为32，将“subdivisions”的值更改为8。

3. 开始训练

   • 在终端窗口中，导航至Darknet目录。
   • 执行以下命令开始训练YOLO模型：

./darknet detector train cfg/yolov3.cfg darknet53.conv.74 my_dataset.data

• 其中，“yolov3.cfg”是您选择的YOLO模型的配置文件，“darknet53.conv.74”是预训练权重文件，“my_dataset.data”是您创建的数据集的配置文件。

四、评估训练好的模型

1. 导出训练好的权重文件

   • 在终端窗口中，导航至Darknet目录。
   • 执行以下命令导出训练好的权重文件：

./darknet detector map cfg/yolov3.cfg my_dataset.data yolov3_final.weights

• 其中，“yolov3.cfg”是您选择的YOLO模型的配置文件，“my_dataset.data”是您创建的数据集的配置文件，“yolov3_final.weights”是您想要导出的权重文件的名称。

2. 评估模型的性能

   • 在终端窗口中，导航至Darknet目录。
   • 执行以下命令评估训练好的模型的性能：

./darknet detector test cfg/yolov3.cfg my_dataset.data yolov3_final.weights

• 其中，“yolov3.cfg”是您选择的YOLO模型的配置文件，“my_dataset.data”是您创建的数据集的配置文件，“yolov3_final.weights”是您导出的权重文件。

通过以上步骤，您就可以从零开始搭建Darknet框架，并在该框架下使用YOLO算法训练自己的自定义数据集，开启深度学习目标检测之旅。