YOLOV3的主页：
https://pjreddie.com/darknet/yolo/
运行主页上的代码得到：
首先使用一个开源的神经网络框架Darknet，使用C和CUDA，有CPU和GPU两种模式。
1、下载darknet
编辑Makefile文件：
2、编译：
make
如果遇到缺失包报错，将缺失的包装上去以后重新编译,重复下列两个操作，直到所有包都装好
make clean
make
安装好DarkNet之后，在darknet的子目录cfg/下已经有了一些网络模型的配置文件，在使用之前，需要下载好预训练好的权重文件yolo.weights(1.0 GB).
如果运行paper中的代码，则下载yolov3.weights后，运行以下命令就可以检测：
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
或者这个命令./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg如果想检测多张图片，需要预先载入预训练的模型：
3、数据制作
制作VOC数据集：
根据上面的链接下载数据，得到
具体的每一个值的计算方式是这样的：假设一个标注的boundingbox的左下角和右上角坐标分别为（x1,y1）(x2,y2)，图像的宽和高分别为w,h
归一化的中心点x坐标计算公式：（(x2+x1) / 2.0）/ w
归一化的中心点y坐标计算公式：（(y2+y1) / 2.0）/ h
归一化的目标框宽度的计算公式： (x2-x1) / w
归一化的目标框高度计算公式：（(y2-y1)/ h
如果图片的高度、宽度未知，可以通过cv2读取。
imginfo = cv2.imread(img_dir + img_name + ‘.jpg‘).shape
imginfo里存的是图像的[h, w,通道数] ，这一需要注意imginfo结果里的顺序
可以使用voc_label.py自动获取标签集合。
总共20个类,运行以上脚本，得到了训练集的路径名称和对应的标签。
这个脚本主要是将训练集的路径写到test.txt中，并将xml中的label设置成训练需要的格式。
构建训练集：
cat 2007_train.txt 2007_val.txt 2012_*.txt > train.txt
构建好数据集，修改cfg/voc.data
train指定训练集的路径，valid指定测试集的路径，names的文件中指定了该数据集标注的检测的类别,内容为：
下载darknet53作为预训练的模型：
wget https://pjreddie.com/media/files/darknet53.conv.74训练模型：./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74如果想使用多GPU，则使用以下的命令：./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74 -gpus 0,1,2,3如果想暂停训练，并且从断点开始训练则：./darknet detector train cfg/coco.data cfg/yolov3.cfg backup/yolov3.backup -gpus 0,1,2,3
其中 cfg/yolov3-voc.cfg设置了网络的结构总结——使用自己的数据训练yolo模型：1、下载数据集制作数据训练集的格式train.txt(或者自己写下载数据集的脚本）
测试数据集：
标签数据集：
2、设置cfg/xxx.data，检测的类别数，训练集路径，测试集路径，检测类别
3、修改cfg模型设置：
3、下载预训练的模型，并且训练
./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74
原文地址：https://www.cnblogs.com/tinrry/p/9697055.html