Win10+vs2017+opencv+darknet做目标检测

一、环境配置
开始之前，我先把我的百度云链接分享出来，如果有不想用我这些的，后面我也写明了具体的下载方式和下载地址，可以自己下载。
链接：https://pan.baidu.com/s/1UzOMT3l3vnPYzD6j1oFgjQ
提取码：cpkx
复制这段内容后打开百度网盘手机App，操作更方便哦
安装vs2017，如图必须勾选这几项，C++和python的支持就不用说了，这是必须的，适用于vs2015是因为darknet支持的是vs2015，所以要勾选这一项才可以。

安装opencv3.2.0，这里解释一下为什么是3.2.0，其实现在opencv已经发展到4.0+了，但是有很多跟不上时代的东西，只能支持一些老版本，darknet就是了，darknet只能支持3.4.0以下的opencv版本。这个安装也简单可以选择自己到官网下载自己喜欢的版本。
附网址：https://opencv.org/releases/

就是这个软件，记得自己下载要自己选择系统，我的是windows。无需安装编译，直接双击打开即可使用。
安装cuda
下载地址：
Cuda地址：
https://developer.nvidia.com/cuda-10.0-download-archive?target_os=Windows&target_arch=x86_64&target_version=10&target_type=exelocal
Cudnn地址：
https://developer.nvidia.com/cudnn
大家可以选择自己喜欢的cuda版本，darkNet源码中默认的是cuda10.1的版本，当然其他版本也没有关系，后面会告诉大家怎么做。
安装cuda时基本就是傻瓜操作

这一步选择自定义，接下来就继续下一步就好了：

但是安装完之后还需要将cudnn中的三个文件分别复制到cuda的同名文件夹下，这里要注意下载cudnn的时候一定要选择与cuda版本搭配的版本，否则容易出现错误。

如图将cudnn中的这三个文件分别放置到cuda的同名文件下，cuda的安装地址如果你在安装时没有自己设置的话，那就在你C盘中C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0这个地址下面

如图将cudnn中的几个文件分别复制到cuda的同名文件夹下
二、下载darkNet
直接附上下载地址：
darknet: https://github.com/AlexeyAB/darknet
下载好darkNet并解压，打开之后去找build，熟悉C++的都知道build中就是已经编译好的东西了，这里可以看出源码作者还是很人性化的，没有让我们自己去编译。
三、在VS2017上配置
环境准备的差不多之后，就要开始配置了，首先用vs2017打开E:\darknet-master\build\darknet这个地址下的darknet.sln，打开之后，选择菜单栏视图>其他窗口>属性管理器，然后在右侧可以看到

右键点击darknet，选择属性，选择VC++目录中的包含目录并如下图配置

然后选择库目录进行如下配置：

再选择链接器里的输入>附加依赖项添加opencv_world320.lib：

到这里vs2017中的opencv3.2.0就配置完成了，然后将平台调整为release / x64
这时候还需要再加一些其他配置，首先需要添加两个环境变量，一个是cudnn的，另一个是opencv的，如图，在系统环境变量的path中新建两个环境变量

这个要根据自己的cudnn和opencv的位置创建。
然后还需要在vs2017中配置cuda，将cuda中：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\extras\visual_studio_integration\MSBuildExtensions
文件夹下的所有文件复制到vs2017的这一目录下：
C:\Program Files (x86)\Microsoft Visual Studio\2017\Professional\Common7\IDE\VC\VCTargets\BuildCustomizations
如图：

这里特别说一下，因为这里默认的cuda是cuda10.1，但是我安装的是cuda10.0，这个时候怎么办呢，很简单，重命名就好了，直接把图中这两个文件改成10.1即可，另外两个不要改，否则会报错。

到这一步之后，就可以编译生成项目解决方案了。这个时候如果没什么问题，就会在E:\darknet-master\build\darknet\x64这一目录下生成一个darknet.exe，应该有人会好奇这exe是个什么，其实我也不太确定，但是以我的经验来看，这个exe就是darknet的网络框架，里面是不带有任何权重的，所以运行的时候还需要自己去输入权重。
生成exe之后，也就代表环境配置基本没有问题了，那接下来就该开始测试和训练了。
四、测试初始权重
在做测试之前，先介绍几个文件。
yolov3.weights：yolov3的权重文件，我上传的这个是coco数据集训练的权重文件，共有80个分类，可以直接调用来检测结果。
coco.data/voc.data：这个文件中存放了coco或者voc数据的具体信息的文件名，方便训练或测试的过程中调用，也是为了方便使用者对其进行更改。
yolov3.cfg：这个文件中保存的是yolov3的配置参数，cfg中还有很多模型的cfg，分别存放了不同模型的配置参数，因为我们这里测试的是yolov3，所以只使用了yolov3的配置参数。
测试的时候，需要用到的命令是：
darknet.exe detector test cfg/coco.data yolov3.cfg yolov3.weights -i 0 -thresh 0.25 dog.jpg -ext_output
其中test就是测试的意思，训练则要用train，0.25是表示检测到的准确度大于0.25的结果要输出，dog.jpg表示测试调用的图像，剩下的一些参数我也还没搞明白，有懂王可以在后面给我留言，谢谢。接下来展示一下测试结果。

这个测试可以直接在E:\darknet-master\build\darknet\x64下打开终端输入我上面的命令运行，也可以直接运行darknet_yolo_v3的脚本，效果是一样的，通过上面的图可以看到，运行的时候可以看到你配置的所有环境以及电脑的GPU，还有使用的一些参数。
既然测试没有问题了，那么久进入最关键的一步，训练。
五、用自己的数据集进行训练
在用自己的数据集训练之前，先来尝试一下官方数据集的效果，因为coco数据集实在是太大了，所以我用了voc数据集来测试。附voc百度链接，各位也可自己到官网下载，但是一定要把2007和2012的三个文件都下载了。
链接：https://pan.baidu.com/s/135DAKUQRktQ8YnMfuA-aLQ
提取码：zdal

下载好voc之后，复制到E:\darknet-master\build\darknet\x64\data\voc这一地址下，将压缩包全部解压，会得到一个文件夹VOCdevkit，打开之后可以看见里面的数据，其中主要用到的是下面这三个文件夹里的东西，Annotations中存放的xml文件记录的是图像中的标注信息，JPEGImages中保存的是原图，ImageSets中保存的是分配好的训练集和测试集。

然后退回到voc文件夹下，可以看见一个py的文件，voc_label.py，直接cmd打开终端运行这个文件，输入python voc_label.py运行

运行完毕就会生成训练所需的数据集了，然后还需更改一些参数，因为原来的参数是适用于coco的，所以需要改一下。打开cfg文件夹，可以看见很多的配置文件

在这里找到voc.data, yolov3-voc.cfg，首先修改voc.data，打开之后看见这些信息

第一行表示训练数据的类别数，因为voc有20类，所以用20，train和valid分别表示保存有训练数据和验证数据信息的文件地址，names表示分类的名字，因为voc.names中名字是写好的，暂时不需要更改，如果用自己的数据集进行训练，就需要更改这个名字。更改之后的信息如下：

这个是按照自己的地址来配置的，千万不要弄错了。接下来修改yolov3-voc.cfg文件，这里需要更改的主要有两个参数：batch和subdivisions。

yolov3-voc.cfg文件定义了yolo的卷积神经网络模型，和超参数配置等。这里需要注意，训练时需要将#Testing区块下的batch和subvisions注释掉；测试和验证时则放开注释，同时注释掉#Training区块下的内容。 训练时，可以根据自己GPU的内存来设置批的大小batch，可设为16、32、64、128 验证时，batch和subvisions同时设为1即可。
然后在E:\darknet-master\build\darknet\x64地址下打开终端，输入命令：
darknet.exe detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74
这里的darknet53.conv.74是darknet的初始权重，我在开头的百度云链接中已经上传了这个文件，当然也可以自己下载，如果配置没有什么问题，那么就可以正常的训练了。训练过程中会持续往backup/下生成权重文件，如：yolov3-voc_100.weights、yolov3-voc_200.weights…

接下来才是重点，用自己的数据进行训练，话不多说，先奉上我自己的数据集：
我用的是自己制作的，线条粗细不同背景不同的十字叉图片，大概200张左右：

附上数据集的链接以及标注工具labelimg的链接，labelimg的使用方法最后也会简单介绍一下。
链接：https://pan.baidu.com/s/1u5ENSje6Zl3JWW8vSLMFXQ
提取码：38mp
数据集的形式非常简单，就是完全套用voc的数据集形式。怎么制作呢，首先得有一个VOCdevkit文件夹，在这个文件夹里面包含了voc2007和voc2012两个文件夹，voc2007和voc2012这两个文件夹里面各包含三个文件夹，Annotations，ImageSets，JPEGImages，里面具体放的是什么上面都说过了，Annotations文件夹下存放的是标注得到的xml文件，JPEGImages文件夹下存放的是原图，ImageSets文件夹下就不需要自己放了，只需要创建一个Main文件夹，然后找到我的数据中的一个py文件，voc2yolov3.py，无需更改，直接运行即可。然后就会在Main文件夹下生成几个txt。如图：

其实也没有什么东西，就是图片的名字。分成了训练集，测试集，验证集。接下来把VOCdevkit文件夹复制到E:\darknet-master\build\darknet\x64\data\voc这一目录下，然后打开这一目录下的voc_label.py，修改里面的类别classes，把自己的类别名字像voc那样逐个输入进去：

修改完之后，还是直接在本目录下打开终端运行voc_label.py，如果运行没有报错，还要看这几个地方，第一个是看txt文件是否生成以及内容是否完整，正常的里面应该存放的是图片的完整路径，然后还要看voc2007和voc2012中是否生成了一个名为labels的文件夹

如图：像我这样这些都有就可以了，labels中的文件存的是标签以及标注框的数据，这个一定要有，否则训练不会报错还不会出结果，我就是从这个坑里爬出来的。至此数据就算准备好了，然后就是修改一些参数了。主要需要修改的文件有三个，voc.data，yolov3-voc.cfg，voc.names。首先来看voc.data的修改，这个比较简单。还是上图，E:\darknet-master\build\darknet\x64\cfg在这一文件夹下找到voc.data：

将classes改成自己的类别数，将train和valid改成自己的数据集地址，这里都是以E:\darknet-master\build\darknet\x64为根目录的。然后是voc.names，voc.names在data文件夹下，这个里面存的是类别的名称，要和voc2yolov3.py的顺序保持一致

如图：因为我只有两种，所以就这么可怜了。最后需要修改yolov3-voc.cfg，这里需要修改多处地方，先简单说一下，要把training下的batch和subdivisions释放，可以根据自己的情况修改，我用的16，因为图片少，然后就是输出的地方，因为yolov3要输出大中小三种先验框，所以找到三个输出位置，把类别数修改成自己的类别数，另外filter也要修改，filter的计算公式是(classes + 先验框坐标 + 置信度) x 3，因为我只有两个分类，所以是(2 + 4 + 1) x 3 = 21。看图说话

修改完这些信息之后，进入到E:\darknet-master\build\darknet\x64地址中，打开终端，输入训练命令：
darknet.exe detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74
然后如果没有报错的话，就可以看见一个可视化的窗口，用来输出loss的：

这是我已经训练了两三个小时的loss，可以看出已经接近于0了。训练过程就没有什么好说的，漫长的等待，然后在E:\darknet-master\build\darknet\x64\backup中可以看见生成weights文件，挑一个最新保存的，然后进行测试。还是在老地方打开终端，预测之前还是要修改一下yolov3-voc.cfg中的batch和subdivisions，释放testing下的，将training下的注释，然后就可以输测试命令了
darknet.exe detector test cfg/voc.data cfg/yolov3-voc.cfg yolov3-voc_1000.weights -i 0 -thresh 0.25 18.jpg -ext_output

可以看一下我的结果，效果还是不错的。

简单介绍一下labelimg的使用，解压压缩包：

如图，直接在这里打开终端，输入python labelimg.py运行：

就可以打开labelimg了，然后可以用open打开图片，也可以用open dir打开图片的文件夹，然后就可以进行标注了。

点击这个按钮，选择想要标注的区域，输入标签：

然后点击ok，保存记得保存之前最好选择好保存的文件夹：

就可以得到xml文件，xml文件中就保存了标注的信息，包括标注框的位置和标签等等：

有了xml文件，就可以用来训练了，标注的时候一定要仔细，标注的过程枯燥繁琐，千万不要弄错了，否则这错误可是绞尽乳汁也排查不出来的。
本文参考的博客有：
https://zhuanlan.zhihu.com/p/92141879
https://blog.csdn.net/qq_43475606/article/details/109187054
https://blog.csdn.net/qq_42001765/article/details/104250101