Windows下使用COCO数据集训练Yolo(darknet)

本文主要记录使用COCO 数据集训练darknet网络获取yolo权重的过程，主要包括：数据集处理及训练过程。
参考资料：
1.CSDN - 在COCO数据集中制作Darknet的训练集
2.Github - COCO_forYOLO
3.Github - hwrenx/coco2yolo
4.Github - philferriere/cocoapi (windows)
5.Github - AlexeyAB/darknet
6.博客园 - darknet-训练自己的yolov3模型

1 数据集处理

1.1 下载数据集

下载COCO 数据集，主要部分：

• 训练用的train数据集
• 验证用的val数据集
• 测试用的test数据集
• 对应的annotations数据集标注

将所有image和annotations解压到各自文件夹内即可

1.2 处理标签文件

需要进行的处理：

• 使用COCO API从annotation的json中提取出单个文件的标注
• 整合各个数据集中图片的绝对路径集合
• 修改coco.data文件

自己整理了一个脚本：Github - coco2yolo。下载后将两个脚本放在数据集根目录，运行coco2yolo.py即可。

运行脚本前需要安装的库：

• pycocotools
• Cython
• matplotlib

其中Windows下是无法直接通过pip install安装pycocotools的（作者没有考虑Windows环境），可能会出现无效参数/Wno-cpp等错误，需要使用WIndows版本的pycocotools手动安装：

• 下载pycocotools(即cocoapi)：philferriere/cocoapi (windows)
• 进入项目路径，执行python ./PythonAPI/setup.py install完成安装

成功运行后会生成coco.data，用其覆盖掉darknet/cfg/coco.data，并在darknet/cfg下创建一个新的文件夹backup。

2 使用darknet

1. Windows下使用AlexeyAB的darknet：项目地址。使用build/darknet下的darknet.sln即可，注意版本要求和opencv依赖配置（具体要求见Github的README）。

• 最好设置成Realease x64版本
• 需要将cudnn路径加入到环境变量中：示例截图。
• OpenCV最好安装在C:\\opencv_3.0，且不可以使用3.1及以上的版本，对应issue。

2. 编译完成后到C:\opencv_3.0\opencv\build\x64\vc14\bin里找到以下文件放到darknet/build/darknet/x64下面

• opencv_world320.dll / opencv_world340.dll
• opencv_ffmpeg320_64.dll / opencv_ffmpeg340_64.dll

3. 如果提示找不到cudnn64_7.dll，到path/to/your/cudnn/bin路径下拷贝一份

4. 确认C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.1路径是否存在且包含bin和include，如果没有就从自己的CUDA路径下面拷贝一份（默认路径C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vx.x）

5. 根据实际情况更改yolov3.cfg，参考链接

6. 使用darknet.exe进行训练：darknet.exe detector train cfg/coco.data cfg/yolov3.cfg

---

错误记录：
1.错误 error C2054 在“using”之后应输入“(” (编译源文件...) opencv版本错误(3.4.1+)
2.错误 error MSB3721 ... 已退出，返回代码为 1 更换VS 2015
3.错误 error : expected a ";" 更换VS 2015
4.错误 error C1083: 无法打开包括文件: “cudnn.h”: No such file or directory 未在path中设置cudnn或路径错误

---

正文完