这是yolov3的训练代码，需要用到GPU，所以在使用这个代码之前，需要检查自己电脑的显卡驱动和cuda是不是装好了，检查方法是在终端输入：
nvidia-smi
如果有驱动版本显示和cuda版本显示，那么一切正常，可以向下进行了。
conda create -n yolov3 python=3.7
conda activate yolov3
pip install opencv-python numpy tqdm matplotlib
# https://pytorch.org/get-started/locally/ 从这个网站上查一查自己的cuda对应版本
conda install pytorch torchvision cudatoolkit=10.1 -c pytorch
git clone https://github.com/zoeyuchao/yolov3.git
cd weights
bash ./download_yolov3_weights.sh
python train.py --data data/ball.data --cfg cfg/yolov3.cfg --epochs 100 --batch-size 8
在yolov3路径下会生成train_batch0.jpg文件。
-
如果出现out of memory，修改batch-size的大小。
-
如果出现cv2找不到的情况，在python文件里加上
sys.path.remove('/opt/ros/kinetic/lib/python2.7/dist-packages') -
假如你要训练自己的模型，需要修改以下内容：
-
网络结构：yolo层的class种类和yolo层之前的filter大小，class=x，每一个网格预测3个anchor结果，所以filter =(3 *(x + 5)),注意三层yolo都要修改。【给的示例是ball数据集，所以是x=4，如果是fire数据集，就要变成x=5】
-
在data目录下新建ball.data，配置训练的数据，内容如下:
classes= 4 train = data/train.txt valid = data/test.txt names = data/ball.names backup = backup/ eval = coco新建ball.names,内容如下：
basketball football volleyball balloon -
voc_label.py文件中也要相应地修改：
classes = ["basketball","football","volleyball","balloon"] -
准备数据集：
-
将数据集Annotations、JPEGImages拷贝至data文件夹下；
-
新建3个文件夹，分别命名为ImageSets、labels、images，将JPEGImages中的图片全部复制到images文件夹中；
-
运行根目录下makeTxt.py，得到ImageSets存放的train与test文件；
-
运行根目录下voc_label.py，得到labels的具体内容以及data目录下的train.txt，test.txt，val.txt，这里的train.txt与之前的区别在于不仅仅得到文件名还有文件的具体路径。
-
-
python test.py --data data/ball.data --cfg cfg/yolov3.cfg --weights weights/best.pt
在yolov3的目录下会生成test_batch0.jpg文件。
在训练阶段会在yolov3目录下生成一个result.txt文件，可以运行这句话：
python -c "from utils import utils; utils.plot_results()"
会在yolov3目录下生成一张result.png。
在data路径下建一个samples的文件夹，将测试图片放入samples文件夹中，然后执行：
python detect.py --data data/ball.data --cfg cfg/yolov3.cfg --weights weights/best.pt
清华网盘链接不一定长期有效，如果下载不成功就从备用的百度网盘链接下载。
-
ball.pt
-
fire.pt