声明：本次使用yolov3训练自己的模型，检测的对象是每天都挂在头顶的太阳。首先提供一个模型训练的大体流程其中caffe和tensorflow是比较出名的架构，这里用的是darknet的架构。

环境：win10 GTX 1050 TI CUDA:10.2 VS2017
前言：要想训练自己的模型，首先要在自己的电脑上搭建好编译环境，并且加载官方提供的模型测试自己环境没问题之后才能进行模型训练。
可以参照这篇博客搭建环境，测试模型，只要按照步骤一般都能成功。
https://blog.csdn.net/StrongerL/article/details/81007766

1、在win10下编译并且运行官方的预训练模型（下面是大体步骤，具体步骤请参照上面的那篇博客）。

1.1安装VS（YOLOv3支持vs2012、2013、2015，其他版本需要下载工具集）
1.2安装cuda（版本 >= 7.5）
1.3安装CUDA对应的cuDNN（下载页会显示对应关系）
1.4下载opencv（OpenCV 2.x.x 或者 OpenCV <= 3.4.0）
1.5下载darknet并生成darknet.exe
生成的darknet项目

双击目录中的darknet_yolo_v3.cmd

出现上图表示编译成功，模型加载完成。左边的黑框是编译的过程和结果，他得到的是预测框的大小、高度、可信度和坐标值。

2、制作自己的数据集。

废话：要想训练自己的模型，就得先准备好自己的数据集，所以先来说说怎么标注数据集。标记图片（由于我要检测的目标是太阳因此标记的对象就是太阳，需要太阳的照片请进群自取：1128630114）

声明：网上有很多图片标注工具，这里使用的是Yolo_mark。从GitHub上下载的Yolo_mark-master是未编译的文件，需要我们在VS下编译才能运行打开标注的软件。

Yolo_mark-master官网地址：https://github.com/AlexeyAB/Yolo_mark
温馨提示：如果遇到github下载网速慢，可以尝试换一个浏览器。这里提供一个更快速的方法，进群自取1128630114。

2-1、下载Yolo_mark-master后将其解压。进入到Yolo_mark-master\Yolo_mark中，用VS打开Yolo_mark.sln文件。官网上说是用VS13或者VS15打开，我用VS17版本试过了完全没问题。打开之后就是配置Yolo_mark.sln文件的opencv路径，官网上宣称可以是opencv2X或者3X的版本都可以。
这是官网上的教程：

2-2、用VS打开yolo_mark.sln文件

2-3、改变文件的路径到opencv安装路径下。
右键项目->属性-> C/C++ -> 常规 -> 附加包含文件，加入自己电脑上…opencv\build\include。顺便删掉之前的路径。

2-4、右键项目->属性->链接器->常规->附加库目录,加入自己电脑上…opencv\build\X64\vc14\lib。

2-5、改用V140工具集

2-6、然后在release X64下编译

2-7、只要按照上面的步骤一般都能生成项目

2-8、编译成功就会生成一个yolo_mark.exe文件，这里不用管他，关掉就行。

补充：第一次打开文件可能会遇到一个错误（由于找不到opencv _world340.dlI,无法继续执行代码。重新安装程序可能会解决此问题）；解决的方法是先找到opencv\opencv\build\x64\vc15\bin下的opencv_world340.dll将他复制到C:\Windows\System32下即可。复制完之后再次编译就能编译成功。

2-9、在yolo_mark官方的工程文件中，有关的数据集都是官方示例，要想制作自己的数据集就要更换成自己的数据。其中每个文件都需要修改的内容如下。
修改img文件：在yolo_mark.sln编译成功后，先删除img下的所有文件，再将要标注的图片（自己的图片）加入到img

2-10、修改obj.data文件：Classes是类的个数；两个Train.txt要和data文件夹下的train.txt名字一致。

2-11、修改obj.name文件：填写类的名字，一个类一行。（这个作为检测物体的名称注释）

2-12、Train.txt中包含的是标注的图片的路径这个在我们标注时就自动产生不用管他。

2-13、然后双击运行，启动标注软件。

2-14、运行成功的界面、在前面img加入要标注的图片后，会自动加载img中的图片

2-15、标注好之后在train.txt中会自动生成data/img/001.jpg路径+标号

2-16、最后会得到在一个文件夹下的图片和对应的数据集。

## 3、训练自己的模型。

声明：在上面的步骤得到自己的数据集以后就可以开始训练自己的数据集。因为在yolov3中训练过程中的相关参数并不是直接写死在源码中，而是放在一个yolov3.cfg的配置文件中，在训练过程中直接读取配置文件即可。所以我们要训练自己的模型也不需要修改源码，只需要提供配置文件即可。

3-1、复制（官方模型训练的配置文件）yolov3.cfg（…\darknet-master\cfg目录下）文件并重命名为yolo-obj.cfg（或者其他名字，只要各处对应即可）这个目的是提供自己训练时需要的配置文件，复制到darknet.exe相同目录下（或者其他目录，输入命令时对应即可）。

3-2、由于我们训练的模型的检测对象和类别都不同于官方的训练模型，因此需要去修改yolo-obj.cfg的相关参数。修改batch=64,subdivisions=8。

3-3、修改[yolo]处的 classes和filters，共三处使用记事本的查找将他更改即可。
如果检测两类物体，则classes=1，filters=(classess+5)*3=(1+5)*3=18。

3.4 配置obj.names文件和obj.data文件
将我们在数据标注的时候得到的是个文件

3-5、其中把obj.names obj.data train放到…darknet/build/x64/data下

3-6、同样在该文件夹…darknet/build/x64/data下新建文件夹obj放入我们的数据集

4、准备预训练的模型

在github下载darknet53.conv.74后放在目录…\darknet-master\build\darknet\x64下即可。这里同样提供一种更快速的方法：入群自取1128630114。
https://github.com/AlexeyAB/darknet/blob/Yolo_v3/README.md

训练命令（需要首先进入darknet.exe同一目录）：

darknet.exe detector train data/obj.data yolo-obj.cfg darknet53.conv.74

可能出现的错误情况：
可能出现内存不足的情况，解决：
修改cfg文件：
修改subdivisions为16或32或64；
如果依旧不足，修改三个[yolo]（修改classes的那个地方）下的random，修改为0（含义 ：关闭多尺度训练）
直观地查看训练结果（输出图片）

  darknet.exe detector test data/obj.data yolo-obj.cfg yolo-obj_last.weights

训练的过程（相关参数的理解）

相关参数的含义：
3.623是总体的Loss(损失）。
4.798 avg是平均Loss，这个数值应该越低越好，一般来说，一旦这个数值低于0.060730 avg就可以终止训练了。
0.000004：代表当前的学习率，是在.cfg文件中定义的。
23.236：表示当前批次训练花费的总时间。
16576：这一行最后的这个数值是9798*64的大小，表示到目前为止，参与训练的图片的总量。

直观地查看训练结果（输出图片）

  darknet.exe detector test data/obj.data yolo-obj.cfg yolo-obj_last.weights

模型加载的结果