本文对应的脚本文件和程序下载链接 darkent yolo自定义数据标注训练全流程说明示例，也可发私信获取。

1、标注数据

使用labelImg.exe工具对数据进行标注，默认使用voc的数据集格式，之后使用脚本转换为yolo专用的数据格式，并且生成一些训练依赖的准备数据。

准备工作:

• （1）执行脚本 0——清理train文件下的img、xml、txt文件文件 ，将上次训练的所有数据删除（需要的话进行备份）
• （2）复制训练图片到 train/JPEGImages 目录下 （图片过大建议等比缩放到1080以下）

exe和train的目录结构

1.1、标注

使用脚本 1——LabelImg.cmd 打开工具，
按钮 Open Dir 选择待标注的图片数据目录 这里为 to_path/train/JPEGImages
按钮 Change Save Dir，选择存放标注文件xml目录，to_path/train/Annotations

加载图片之后，点击 Edit label按钮 标注目标的类别标签

按键 a 、d 切换图片， 按键 w 开始绘制标准框， ctrl+s 保存当前标注图片数据。

详细参考互联网内容，搜索 yolov3标注自定义数据。标注完成后，目录下train/Annotations会得到每一张图片对应的的xml标注文件，

1.2、生成训练列表文件train.txt

训练需要给出所有图片的绝对地址，这里注意，标注机器可能和后期训练不在一个机器，路径会变化，后期根据实际路径进行批量修改替换。

执行脚本 2——Label_generate_traintxt.cmd 即可，会在当前目录生成train.txt文件。如下

红框目录可能变化，可以通过修改脚本的参数，自动生成

1.3、转换数据标注格式

先修改脚本文件 exe/label_conver_voc_2_yolo.py 中的classes 列表为标注工具中的标签名，例如有4个标签 car，huoche，guache和keche，那么将之前行用#注释，修改如下图。

修改后保存之后，执行脚本 3——Label_conver_voc_2_yolo.cmd ，之后可以在目录 train\labels看到txt格式的标注文件


格式为 标签序号 x y w h ：这里标签序号从0开始，值为python脚本中 classes 列表的下标；位置为相对图像宽高尺寸的百分比例。

这里实际是通过标注文件目录下train/Annotations的xml文件转换得到，一一对应（txt,xml，图片都要一一对应）。

可能出现的问题：

• LabelImage.exe标注得到的xml文件中图像宽高尺寸为0，导致txt转换错误，训练时报错。脚本使用PIL库增加验证修复环节，保证转换正确无误。
  
  
• 提示标签不存在：因为标注时lable输入错误，和脚本中的classes列表元素不一致

2、训练数据整理

在训练机器上的训练工具目录darknet下，拷贝标注文件目录train和列表文件train.txt到新建训练目录如data-vehicle-0926-772，这里的目录结构如下

2.1、修改train.txt路径

修改图片列表文件路径的真实路径，前面 1.2、 生成训练列表文件train.txt 已经说明。注意要换行格式，要求unix、utf8格，否可能在训练出错、但会提示STB类似错误。

2.2、修改yolov3.cfg

从darknet目录复制一份原始yolov3.cfg文件到当前训练目录。修改地方有两快

• （1） 修改网络结构参数

  找到cfg文件中的 所有[yolo]标签段（共3个），修改红框中的数据
  
  classes修改为标注时的类别数量，例如4类，filters修改 (类别数+5)*3，这里就修改为(4+5)*3 = 27。（后期其他类别对应修改即可）
  注意，一共是修改3组数据。

• （2） 修改训练参数

  这里参数比较专业，在大量数据训练时，需要不断调参设计。当前我们使用默认设计。训练时使用 batch=64, subdivision=16，如果机器GPU性能好显存足够，可以将subdivision降低为8、4、2等（3090可以修改为2）。
  

2.3、obj.name和obj.data

照着修改即可

2.4、训练脚本文件trian.sh

脚本内容为

cd ..
./darknet detector train data-vehicle-0926-772/obj.data data-vehicle-0926-772/yolov3.cfg /yolov3.cfg darknet53.conv.74 -i 0 -clear

例如机器上已有的脚本文件为

2.5、测试脚本文件test.sh

（训练完成后进行）使用训练的指定模型文件对图片进行测试，并生成结果图片。
例如在服务器的darknet目录下执行

./darknet detector test car-0612-400/obj.data car-0612-400/yolov3-tiny.cfg car-0612-400/weights/yolov3-tiny_best.weights  -i 0 -thresh 0.25 ./car-0612-400/train/JPEGImages/11.jpg -ext_output

控制台会打印检测的结果，运行完成后，会生成一个 predictions.jpg 的文件，

3、训练

在训练数据目录下，执行train.sh训练脚本即可，根据控制台训练数据输入检查是否存在错误，进行针对性调整。
正式训练时，后台执行，使用 命令 nohup train.sh & 即可， 生成nohup.out 的训练日志。

训练中间的输出，关注中间的 avg loss，直观上一般越低越好。

后面可以使用脚本drawLossPlot.py绘制loss（train）曲线