全部完成分为下面几个步骤：
1.制作自己的数据集-将visdrone转化为yolo所需的格式 （下面先完成这部分）
2.配置yolov3
3.训练验证及计算map
下篇链接：[https://blog.csdn.net/daisy_d_/article/details/105771633]
踩了很多坑，分享一下自己训练的经历~
我使用的visdrone数据集包含很多小目标，选择的darknet框架下的yolov3。也尝试了pytorch版本的不过刚开始效果不好，等的很着急后来放弃了，到后来才知道这个数据集现需要很长时间训练，我用的云服务器1080ti显卡，大概需要60个小时~
数据集下载链接：https://www.jianshu.com/p/62e827306fca
。使用的VisDrone2018-DET dataset 的trainset（1.44GB）和valset（0.07GB）
darknet的yolo下载链接：https://github.com/pjreddie/darknet.git
制作数据集
最终形成的数据集的格式：
images —— 存放.jpg图像
Annotations —— 存放图像对应的xml文件
ImagesSets/Main —— 存放用于train/test图像的名字列表txt
labels——标签
test.txt
train.txt
val.txt
我参考的链接：https://blog.csdn.net/qq_37775990/article/details/90145081
下面需要的代码我放在了百度网盘：
https://pan.baidu.com/s/17Nywnkb1d4SjMqxUdMQqJA 提取码：kPjI
1.图片标注重命名（可做可不做，只是改变了名字）
使用 rename.py 对图像文件进行重命名，对标注文件进行重命名（两个步骤都要做，注意修改程序中的路径）会得到下面的效果，简单示例。
2.visdrone标注转换为VOC格式
运行main.py 进行转换，同样注意修改程序中的路径。注意需要新建对应文件夹Annotations_否则会报错。
visdrone的标注方式与yolo标注不一样。这个步骤是将annotations中的txt将标注转换为VOC格式的xml.
3.生成用于train、val的图像名字列表txt（生成于ImagesSets/Main下）
运行 trainnamelist.py 形成了列表txt。此处生成了四个文件（train.txt test.txt val.txt trainval.txt）可以根据自己需要修改生成相应的文件。
这个步骤是将数据库中的图像进行随机抽取，分成4部分，一部分作为train(训练)，一部分作为validation(验证)，一部分test(测试)，（trainval暂时没明白。。）最后将这几部分图像的名字写入txt。
4.生成label文件夹和txt文件
运行label.py就会在目录下生成一个labels文件夹，三个txt文件。
lable.py下有类别，我这次只训练了10个类别，所以注释掉了第0类和第11类（’ignored regions’和’others‘）加上了if判断语句，其他类别的id数值也需要-1。这样就少了第0类和第11类，整体只有10类了。 具体位置代码里注释了一下。
这个步骤是生成labels文件夹，里面就是适合yolov3的标注文件了，和图像名称一一对应，内容意义是:
(class, x_center , y_center , w , h)
目标类别 标注框中心x轴相对坐标 标注框长宽相对长度
因为坐标和长宽都是相对整幅图像长宽的比例，所以数值应该是0-1。
第一次写博客，有什么错误请多指教
我第一次转化数据集的时候花了一天多的时间才搞明白，如果你也是第一次不要着急。加油丫~
title:yolov3训练自己的数据集（darkent）+visdrone
date: 2020-04-06 10:44:13
tags:
- yolov3训练
- visdrone数据集