南京网站开发公司哪家好快速的网站设计制作

前言

对于初学者而言，学习 YOLO 并实现目标检测时，并不需要深入理解底层原理。本篇文章的重点是如何快速上手 YOLOv3，使用 Darknet 源码训练自定义模型，并实现目标检测。

PS：本文适用于已有 YOLOv5 基础的读者，你可以参考【YOLO V5】目标检测 WSL2 AutoDL VScode SSH学习 YOLOv5。由于 YOLOv5 的 PyTorch 训练方式与 YOLOv3 的 Darknet 训练方法存在相似之处，两者是互通的，这将有助于你更快理解和上手 YOLOv3。

我的环境：
WSL2 Ubuntu 20.04 YOLOv3 Darknet

关联文章：

• 【YOLO V5】目标检测 WSL2 AutoDL VScode SSH
• 【YOLO】X-Anylabeling 数据集标注
• 【YOLO】X-AnyLabeling 半自动标注

参考资料：

• Darknet框架2：YOLOV3-使用Darknet训练检测自定义模型+COCO数据集！
• YOLOV3 - 使用 Darknet 训练检测模型

整体思路

环境检查与依赖配置—克隆 YOLOv3 Darknet 并编译—准备数据集—配置训练文件—模型训练—导出训练结果

1. 环境检查与依赖配置：确保 OpenCV 版本为 2.x 或 3.x，避免使用 OpenCV 4.x，因为 Darknet C 框架当前不兼容 OpenCV 4.x。
2. 克隆 YOLOv3 Darknet 并编译：从官方源码仓库克隆 Darknet，修改 Makefile 以适配环境，修改模型保存频率。
3. 准备数据集：确保数据集符合 YOLOv3 Darknet 训练要求，即采用 YOLO 格式（.txt 标签文件与对应的图片）。
4. 配置训练文件：准备以下关键配置文件：.weights（预训练权重）classes.names（类别标签索引） mydata.data（数据集配置） .cfg（模型结构参数） .conv.x（预训练特征提取层权重）
   【对应于 YOLOv5 的 .pt、classes.txt（YOLOv5 实际上不使用）、mydata.yaml、yolov5s.yaml】
5. 模型训练：基于 Darknet 框架启动训练过程，优化模型权重。
6. 导出训练结果：生成最终的 .weights 权重文件，供后续部署与推理使用。

环境检查与依赖配置

在此步骤中，需确保 OpenCV 版本为 2.x 或 3.x，因 Darknet 训练不兼容 OpenCV 4.x。若当前 OpenCV 版本不符合要求，请参考相关资料进行降级或在虚拟环境中安装较低版本。

克隆 YOLOv3 Darknet 并编译

Clone Darknet 项目文件

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

修改 Makefile 文件

修改 Makefile 时，重点关注前几行的配置，通常只需调整前五行及 ARCH 参数，其余部分会由 Makefile 自动处理。若编译时报错，再根据具体错误信息进行调整。

# 编译选项开关（根据自身需求修改）
GPU=1    # 是否启用 GPU 支持 (1:启用, 0:禁用)
CUDNN=1  # 是否启用 CUDNN 加速库 (1:启用, 0:禁用)
OPENCV=1 # 是否启用 OpenCV 支持 (1:启用, 0:禁用)
OPENMP=0 # 是否启用 OpenMP 并行计算 (1:启用, 0:禁用)
DEBUG=0  # 是否启用调试模式 (1:启用, 0:禁用)# NVIDIA GPU 架构设置
# compute_XX 表示虚拟架构版本，sm_XX 表示实际架构版本
# 支持多个不同的 GPU 架构版本编译
# 支持的 GPU 架构配置包括:
# Kepler, Maxwell, Turing, Ampere 和 Ada Lovelace
ARCH= -gencode arch=compute_30,code=sm_30 \-gencode arch=compute_35,code=sm_35 \-gencode arch=compute_50,code=[sm_50,compute_50] \-gencode arch=compute_52,code=[sm_52,compute_52] \-gencode arch=compute_75,code=[sm_75,compute_75] \-gencode arch=compute_86,code=[sm_86,compute_86] \-gencode arch=compute_89,code=[sm_89,compute_89]
# compute_30/35: Kepler
# compute_50/52: Maxwell
# compute_75: Turing (RTX 2080 Ti)
# compute_86: Ampere (RTX 3090/3060)
# compute_89: Ada Lovelace (RTX 4090)# 如果明确知道自己的 GPU 架构，可以取消下面的注释并指定
# ARCH= -gencode arch=compute_52,code=compute_52VPATH=./src/:./examples
SLIB=libdarknet.so
ALIB=libdarknet.a
EXEC=darknet
OBJDIR=./obj/CC=gcc
CPP=g++
NVCC=nvcc 
AR=ar
ARFLAGS=rcs
OPTS=-Ofast
LDFLAGS= -lm -pthread 
COMMON= -Iinclude/ -Isrc/
CFLAGS=-Wall -Wno-unused-result -Wno-unknown-pragmas -Wfatal-errors -fPIC# OpenCV 相关配置
# 当 OPENCV=1 时启用以下配置
ifeq ($(OPENCV), 1) 
COMMON+= -DOPENCV    # 添加 OpenCV 宏定义
CFLAGS+= -DOPENCV    # 编译标志添加 OpenCV 支持
LDFLAGS+= `pkg-config --libs opencv` -lstdc++    # 链接 OpenCV 库和 C++ 标准库
COMMON+= `pkg-config --cflags opencv`            # 添加 OpenCV 头文件路径
# 下面两行是 OpenCV4 的配置，如果使用 OpenCV4 则取消注释
# LDFLAGS+= `pkg-config --libs opencv4` -lstdc++
# COMMON+= `pkg-config --cflags opencv4` 
endif# CUDA 相关配置
# 当 GPU=1 时启用以下配置
ifeq ($(GPU), 1) 
COMMON+= -DGPU -I/usr/local/cuda/include/    # 添加 CUDA 宏定义和头文件路径
CFLAGS+= -DGPU                               # 编译标志添加 GPU 支持
LDFLAGS+= -L/usr/local/cuda/lib64 -lcuda -lcudart -lcublas -lcurand    # 链接 CUDA 相关库
endif# CUDNN 相关配置
# 当 CUDNN=1 时启用以下配置
ifeq ($(CUDNN), 1) 
COMMON+= -DCUDNN     # 添加 CUDNN 宏定义
CFLAGS+= -DCUDNN     # 编译标志添加 CUDNN 支持
LDFLAGS+= -lcudnn    # 链接 CUDNN 库
endif

修改模型保存频率

进入 darknet/examples/detector.c 文件，找到第 138 行的以下代码：

        if(i%10000==0 || (i < 1000 && i%100 == 0)){
#ifdef GPU

将其修改为：

if(i%1000==0){
#ifdef GPU

项目编译

make -j$(nproc)

make -j$(nproc) 通过并行使用所有 CPU 核心加速编译，提高编译效率。

准备数据集

准备数据集时，可参考：

• 【YOLO】X-Anylabeling 数据集标注
• 【YOLO】X-AnyLabeling 半自动标注。

【YOLO】X-Anylabeling 数据集标注 中写的的标签导出为 YOLO 格式，无需额外转换。该文章提供的数据集拆分脚本会自动生成 train.txt、test.txt 和 val.txt 文件，完全符合 Darknet YOLO 训练的要求。

所需的数据集结构应如下所示：

在 train.txt 文件中，每行应包含一个训练图像的路径，如下所示：

如果训练时的路径与导出时不一致，可以使用 VSCode 的搜索与替换功能，将文件内所有路径前缀更改为实际路径。

配置训练文件

本文以 YOLOv3-tiny 模型为例，首先需要准备以下训练文件：

• 数据集： datasets 数据集文件夹
• 权重文件：yolov3-tiny.weights
• 预训练卷积层权重文件：yolov3-tiny.conv.15
• 标签索引文件：classes.names
• 数据集配置文件：mydata.data
• 模型配置文件：yolov3-tiny.cfg

1. 建议将这些文件统一放入一个文件夹中进行管理，例如命名为 abaaba 文件夹，这样便于上传到服务器并组织好所有预先准备的训练和配置文件。

2. 我习惯于将工程文件夹、预先准备的训练文件和数据集压缩后，直接通过 VSCode 的 SSH 功能上传到服务器。这样比使用 wget 更为高效，避免了传输速率慢的问题。

文件下载地址：

• yolov3-tiny.weights
• yolov3-tiny.conv.15

数据集：datasets （自制）

根据前文提到的两篇文章的操作步骤，准备好自制的数据集，并将其存放到自定义的文件夹中即可，例如 abaaba 文件夹。

权重文件 yolov3-tiny.weights （下载）

该 yolov3-tiny.weights 权重文件可以直接下载，并存放到自定义的文件夹中，例如 abaaba 文件夹。

预训练卷积层权重文件：yolov3-tiny.conv.15 （下载）

该yolov3-tiny.conv.15文件可以直接下载，并存放到自定义的文件夹中，例如 abaaba 文件夹。

标签索引文件 classes.names （自制）

标签索引文件的名称可以自定义，但文件后缀必须为 .names。
该文件中的每一行对应一个类别名称，并且类别顺序必须与标注时的顺序一致，因为 YOLO 标签使用从 0 到 n 的数字索引来对应不同类别，所以类别顺序必须严格保持一致。

例如： classes.names

watermelon
banana
apple
milk
red
green
pepper
cake
cola
potato
tomato

该标签索引文件的含义是*：在 YOLO 的 .txt 标签文件中，索引 0 对应 watermelon，索引 1 对应 banana，以此类推，顺序必须与类别一致。

数据集配置文件 mydata.data （自制）

以下仅为示例，请根据你的项目实际情况调整路径配置，但格式需保持一致：

classes = 11  # 目标检测类别数量
train = /root/darknet_AutoDL/abaaba/datasets/train.txt  # 训练集图片路径列表文件
valid = /root/darknet_AutoDL/abaaba/datasets/val.txt    # 验证集图片路径列表文件 
names = /root/darknet_AutoDL/abaaba/classes.names       # 类别名称文件，每行一个类别名称
backup = root/darknet_AutoDL/backup                     # 训练过程中权重文件的保存目录

模型配置文件：yolov3-tiny.cfg （修改）

该文件位于 yolo/darknet/cfg/yolov3-tiny.cfg 中，我们需要根据实际情况修改一些参数。

第一处修改

在 yolov3-tiny.cfg 文件的开头几行，根据训练或测试阶段的不同，注释掉不需要的配置。在训练时，注释掉测试相关的配置；在测试时，注释掉训练相关的配置。

以训练时为例：

# 测试/推理阶段配置 （训练时注释掉这几行）
# batch=1      # 推理时每批处理1张图片
# subdivisions=1  # 不需要进行批次细分# 训练阶段配置 （测试/推理时注释掉这几行）
batch=96        # 每次迭代训练96张图片
subdivisions=2  # 将batch分成2份，降低GPU显存占用# 实际每次处理: batch/subdivisions = 2张图片# 较小的subdivisions训练更快但需要更多显存# 如果显存不足，可以增加subdivisions的值

第二处修改

在 darknet 配置文件的第 20 行左右，找到 max_batches 参数，并根据实际需求修改。
该参数表示模型将在多少次迭代后停止训练，是迭代的总次数。

对于 max_batches 参数的设置，一般建议将其设置为 类别数 * 2000。

max_batches = 22000   # 11*2000 = 22000

适当增加该参数可以提高模型的性能，但过大的值可能会导致过拟合。根据数据集的大小和类别数调整这一参数，以达到最佳训练效果。

需要注意的是：
darknet 的训练方式与 PyTorch 不同。darknet 是基于每次迭代来更新模型，而 PyTorch 是基于每轮训练来更新。具体来说，darknet 中一次迭代对应一次完整的 batch 训练，例如如果 batch 大小为 64，那么一次迭代就是使用 64 张图片进行训练并更新权重。

第三处修改

1. 找到文件中的多个 [yolo] 标签
2. 将每个 [yolo] 标签下的 classes 修改为实际检测的类别数量
3. 修改每个 [yolo] 标签的上面紧挨的 [convolutional] 层，将其中的 filters 参数设置为 filters = 3 * (classes + 5)，例如，如果类别为 4，则 filters = 3 * (4 + 5) = 27。

每个 [yolo] 标签和紧挨着的 [convolutional] 层中的这两个参数都需要根据实际情况进行修改

例如：

# 卷积层配置
[convolutional]
size=1
stride=1
pad=1
filters=48        # filters = 3 * ( classes + 5 )，如,filters= 3*(11+5) = 48
activation=linear# yolo配置
[yolo]
mask = 3,4,5
anchors = 10,14,  23,27,  37,58,  81,82,  135,169,  344,319
classes=11        #自定义数据集的类别数
num=6
jitter=.3
ignore_thresh = .7
truth_thresh = 1
random=1

预先准备文件夹

预先准备的文件夹 abaaba 如下图所示，用于上传到服务器进行训练。

模型训练

将上文准备好的 abaaba 文件夹放置于项目根目录下。

• 如果自制的数据集与 COCO 数据集差异较大，可以使用 conv.15 文件从头开始训练自己的数据集：

./darknet detector train /root/darknet_AutoDL/abaaba/mydata.data /root/darknet_AutoDL/abaaba/yolov3-tiny.cfg /root/darknet_AutoDL/abaaba/yolov3-tiny.conv.15

或者使用续行符：

./darknet detector train \/root/darknet_AutoDL/abaaba/mydata.data \/root/darknet_AutoDL/abaaba/yolov3-tiny.cfg \/root/darknet_AutoDL/abaaba/yolov3-tiny.conv.15

• 如果自制的数据集与 COCO 数据集差异较小，可以基于 yolov3-tiny.weights 进行微调：

./darknet detector train /root/darknet_AutoDL/abaaba/mydata.data /root/darknet_AutoDL/abaaba/yolov3-tiny.cfg /root/darknet_AutoDL/abaaba/yolov3-tiny.weights

或者使用续行符：

./darknet detector train \/root/darknet_AutoDL/abaaba/mydata.data \/root/darknet_AutoDL/abaaba/yolov3-tiny.cfg \/root/darknet_AutoDL/abaaba/yolov3-tiny.weights

请注意，参数的顺序必须严格按照上述顺序，这是固定的顺序。

拓展知识：

• yolov3-tiny.weights 是在 COCO 数据集上完整训练的模型权重文件，包含了所有层的参数（卷积层 + 检测层），已学习 COCO 数据集的 80 个类别的特征，适合迁移学习/微调。如果你的任务与 COCO 类别相似，使用该权重可以加快收敛。

• yolov3-tiny.conv.15 只包含模型前 15 层的卷积层权重，没有涉及与特定类别相关的检测层权重，适合从头开始训练自己的数据集，避免 COCO 数据集类别特征的干扰。

导出训练结果

模型权重文件的保存位置由 mydata.data 文件中的 backup 参数指定，通常默认保存在项目根目录下的 backup 文件夹中。

具体示例：

backup/
├── yolov3-tiny_last.weights    # 最后一次迭代的权重
├── yolov3-tiny_1000.weights    # 第1000次迭代的权重
├── yolov3-tiny_2000.weights    # 第2000次迭代的权重
└── yolov3-tiny_best.weights    # 最佳性能的权重