- Python3.6或者3.7
- Pytorch1.7.1(注意：必须是1.6.0或以上，因为使用官方提供的混合精度训练1.6.0后才支持)
- pycocotools(Linux:
pip install pycocotools;
Windows:pip install pycocotools-windows(不需要额外安装vs)) - 更多环境配置信息，请查看
requirements.txt文件 - 最好使用GPU训练
├── cfg: 配置文件目录
│ ├── hyp.yaml: 训练yolo网络的相关超参数
│ └── yolov3-spp.cfg: yolov3-spp网络结构配置
│
├── data: 存储训练yolo网络的数据集相关信息缓存
│
├── runs: 保存训练过程中生成的所有tensorboard相关文件
├── build_utils: 搭建训练yolo网络时使用到的工具
│ ├── datasets.py: 数据读取以及预处理方法
│ ├── img_utils.py: 部分图像处理方法
│ ├── layers.py: 实现的一些基础层结构
│ ├── parse_config.py: 解析yolov3-spp.cfg文件
│ ├── torch_utils.py: 使用pytorch实现的一些工具
│ └── utils.py: 训练网络过程中使用到的一些方法
│
├── train_utils: 训练yolo网络时使用到的工具(包括多GPU训练以及使用cocotools)
├── test_utils: LPR网络的构建使用到的工具
├── LPR_model: LPR网络的构建
├── result: 存放predict的结果
├── My_LPRnet_Dataset: 处理好的LPR网络数据集
├── My_yolo_dataset: 处理好的yolo网络数据集
├── weights: 所有训练权重
│ ├── yolov3-spp-ultralytics-512.pt: yolo网络的预训练权重
│ ├── yolov3spp-29.pt: yolo网络训练好的权重（第30个epoch）
│ ├── myLPRweight.pt: 自己训练好的LPR权重（用CCPD2020新能源车牌训练）
│ ├── Final_LPRNet_model.pth: 使用蓝绿牌混合训练的LPR权重
│
├── model.py: yolo模型搭建文件
├── train.py: yolo训练针对单GPU或者CPU的用户使用
├── train_multi_GPU.py: yolo训练针对使用多GPU的用户使用
├── trans_voc2yolo.py: 将voc数据集标注信息(.xml)转为yolo标注格式(.txt)
├── train_LPRNet.py: LPRnet训练
├── CCPD_trans_YOLOdataset.py: 将CCPD数据集转为yolo标注格式
├── CCPD_trans_LPRdataset.py: 将CCPD数据集转为LPRnet需要的格式
├── calculate_dataset.py: 1)统计训练集和验证集的数据并生成相应.txt文件
│ 2)创建data.data文件
│ 3)根据yolov3-spp.cfg结合数据集类别数创建my_yolov3.cfg文件
└── predict_test.py: 简易的预测脚本，使用训练好的权重进行预测测试
- 这里建议标注数据时直接生成yolo格式的标签文件
.txt，推荐使用免费开源的标注软件(支持yolo格式)，https://github.com/tzutalin/labelImg - 如果之前已经标注成pascal voc的
.xml格式了也没关系，我写了个voc转yolo格式的转化脚本，4.1会讲怎么使用 - 测试图像时最好将图像缩放到32的倍数
- 标注好的数据集请按照以下目录结构进行摆放:
├── my_yolo_dataset 自定义数据集根目录
│ ├── train 训练集目录
│ │ ├── images 训练集图像目录
│ │ └── labels 训练集标签目录
│ └── val 验证集目录
│ ├── images 验证集图像目录
│ └── labels 验证集标签目录
4 利用标注好的数据集生成一系列相关准备文件，为了方便我写了个脚本，通过脚本可直接生成。也可参考原作者的教程
├── data 利用数据集生成的一系列相关准备文件目录
│ ├── my_train_data.txt: 该文件里存储的是所有训练图片的路径地址
│ ├── my_val_data.txt: 该文件里存储的是所有验证图片的路径地址
│ ├── my_data_label.names: 该文件里存储的是所有类别的名称，一个类别对应一行(这里会根据```.json```文件自动生成)
│ └── my_data.data: 该文件里记录的是类别数类别信息、train以及valid对应的txt文件
- 使用
trans_voc2yolo.py脚本进行转换，并在./data/文件夹下生成my_data_label.names标签文件， - 执行脚本前，需要根据自己的路径修改以下参数
# voc数据集根目录以及版本
voc_root = "./VOCdevkit"
voc_version = "VOC2012"
# 转换的训练集以及验证集对应txt文件，对应VOCdevkit/VOC2012/ImageSets/Main文件夹下的txt文件
train_txt = "train.txt"
val_txt = "val.txt"
# 转换后的文件保存目录
save_file_root = "/home/wz/my_project/my_yolo_dataset"
# label标签对应json文件
label_json_path = './data/pascal_voc_classes.json'- 生成的
my_data_label.names标签文件格式如下
aeroplane
bicycle
bird
boat
bottle
bus
...
- 使用
calculate_dataset.py脚本生成my_train_data.txt文件、my_val_data.txt文件以及my_data.data文件，并生成新的my_yolov3.cfg文件 - 执行脚本前，需要根据自己的路径修改以下参数
# 训练集的labels目录路径
train_annotation_dir = "/home/wz/my_project/my_yolo_dataset/train/labels"
# 验证集的labels目录路径
val_annotation_dir = "/home/wz/my_project/my_yolo_dataset/val/labels"
# 上一步生成的my_data_label.names文件路径(如果没有该文件，可以自己手动编辑一个txt文档，然后重命名为.names格式即可)
classes_label = "./data/my_data_label.names"
# 原始yolov3-spp.cfg网络结构配置文件
cfg_path = "./cfg/yolov3-spp.cfg"yolov3-spp-ultralytics-416.pt: 链接: https://pan.baidu.com/s/1cK3USHKxDx-d5dONij52lA 密码: r3vmyolov3-spp-ultralytics-512.pt: 链接: https://pan.baidu.com/s/1k5yeTZZNv8Xqf0uBXnUK-g 密码: e3k1yolov3-spp-ultralytics-608.pt: 链接: https://pan.baidu.com/s/1GI8BA0wxeWMC0cjrC01G7Q 密码: ma3tCCPD2020训练集、yolov3spp-29.pt、My_LPRnet_Dataset: 链接: https://pan.baidu.com/s/1w4-BW1JIEmA69KTwPmQrOQ?pwd=4asd 密码: 4asd
- 确保提前准备好数据集
- 确保提前下载好对应预训练模型权重
- 若要使用单GPU训练或者使用CPU训练，直接使用train.py训练脚本
- 若要使用多GPU训练，使用
python -m torch.distributed.launch --nproc_per_node=8 --use_env train_multi_GPU.py指令,nproc_per_node参数为使用GPU数量