Win10 下训练自己的数据（GPU 版) YOLOv3

Question

1,零基础请教在darknet包中存放训练集以及生成训练文件和权重文件，已经训练流程。

Answer 1

晚上好🌙🌙🌙
本答案参考通义千问

在 Windows 10 系统下使用 YOLOv3 进行目标检测训练（GPU 版），需要以下几个步骤：

• 准备数据集
• 配置 Darknet 框架
• 生成训练文件（如 .data, .names, .cfg）
• 训练模型并保存权重

下面我将详细说明整个流程，并提供关键配置文件和命令，帮助你从零开始完成 YOLOv3 的训练。

---

一、准备工作

1. 安装 CUDA 和 cuDNN

YOLOv3 使用 GPU 训练需要安装 CUDA 和 cuDNN。

• 下载地址：NVIDIA CUDA Toolkit
• 安装时选择与你的显卡驱动版本匹配的版本。

注意： 确保 CUDA 和 cuDNN 的版本与 Darknet 支持的版本兼容。

2. 安装 Visual Studio

Darknet 编译需要用到 Visual Studio，推荐使用 VS 2019 或更高版本。

3. 下载 Darknet 源码

从 GitHub 克隆或下载 Darknet：

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

---

二、准备自己的数据集

1. 数据集结构建议

你的数据集应包含以下内容：

your_dataset/
├── images/              # 图片文件夹
│   ├── img1.jpg
│   ├── img2.jpg
│   └── ...
├── labels/              # 对应的标签文件（每个图片一个 .txt 文件）
│   ├── img1.txt
│   ├── img2.txt
│   └── ...
└── data/                # 存放配置文件
    ├── train.txt        # 训练集图片路径列表
    ├── valid.txt        # 验证集图片路径列表
    └── classes.names    # 类别名称文件

2. 生成 train.txt 和 valid.txt

编写脚本或手动创建这两个文件，格式如下：

C:/path/to/your_dataset/images/img1.jpg
C:/path/to/your_dataset/images/img2.jpg
...

注意： 路径要使用 Windows 风格（即反斜杠 \ 或正斜杠 /）。

3. 创建 classes.names

创建 classes.names 文件，每行一个类别名，例如：

car
person
bike

---

三、配置 Darknet 的训练文件

1. 修改 darknet/data/your_dataset.data

创建 your_dataset.data 文件，内容如下：

classes = 3            # 类别数量
train = C:/path/to/your_dataset/data/train.txt
valid = C:/path/to/your_dataset/data/valid.txt
names = C:/path/to/your_dataset/data/classes.names
backup = C:/path/to/save_weights/

2. 修改 darknet/cfg/yolov3.cfg

你可以使用默认的 yolov3.cfg，但需要根据你的类别数进行修改：

• 找到 yolo 层（通常在文件末尾），将 classes=80 改为你的类别数（如 classes=3）。
• 如果你需要自定义网络结构，可以调整 filters 参数等。

注意： 如果你是首次训练，建议使用默认的 yolov3.cfg，并只修改 classes 参数。

---

四、编译 Darknet（Windows）

1. 打开 VS 2019（或其他版本）打开 darknet.sln

• 在 Visual Studio 中打开 darknet.sln 文件。
• 设置项目属性：
  • Configuration Manager 中选择 Release 模式。
  • Platform 设置为 x64。
• 编译项目（Build → Build Solution）。

注意： 如果遇到错误，请确保 CUDA 和 cuDNN 已正确安装。

2. 运行训练命令

编译成功后，在命令行中运行：

darknet.exe detector train C:/path/to/your_dataset/data/your_dataset.data C:/path/to/your_dataset/cfg/yolov3.cfg C:/path/to/pretrained_weights/yolov3.weights

说明：

• your_dataset.data 是你之前创建的配置文件。
• yolov3.cfg 是你修改后的配置文件。
• yolov3.weights 是预训练的权重文件（可从 YOLOv3 weights 下载）。

---

五、训练过程中的注意事项

1. 权重保存位置

• 默认保存在 backup/ 目录下，可以在 your_dataset.data 中设置 backup = ...。

2. 日志输出

• 训练过程中会输出损失值、FPS 等信息，可用于监控训练效果。

3. 停止训练

• 可以按 Ctrl + C 停止训练，或者等待自动完成。

---

六、测试训练好的模型

训练完成后，可以使用以下命令进行测试：

darknet.exe detector test C:/path/to/your_dataset/data/your_dataset.data C:/path/to/your_dataset/cfg/yolov3.cfg C:/path/to/your_dataset/backup/yolov3_final.weights C:/path/to/test_image.jpg

---

七、总结：完整训练流程

1. 准备数据集：包括图像、标签、train.txt、valid.txt、classes.names。
2. 配置文件：创建 your_dataset.data 和修改 yolov3.cfg。
3. 编译 Darknet：使用 Visual Studio 编译源码。
4. 启动训练：使用 darknet.exe 启动训练。
5. 测试模型：验证训练结果。

---

八、示例代码（修改后的 your_dataset.data）

classes = 3
train = C:/dataset/data/train.txt
valid = C:/dataset/data/valid.txt
names = C:/dataset/data/classes.names
backup = C:/dataset/weights/

---

九、常见问题解决

| 问题 | 解决方法 | |------|----------| | CUDA not found | 确认 CUDA 和 cuDNN 安装正确 | | darknet.exe not found | 确认编译成功并添加环境变量 | | No such file or directory | 检查路径是否正确（使用绝对路径） |

---

如果你是零基础用户，建议先参考官方文档和社区教程逐步操作，也可以使用 PyTorch 实现 YOLOv3（更简单易用）。但如果你坚持使用 Darknet，以上步骤应该能帮助你顺利入门。

如有更多具体问题，欢迎继续提问！