yolov3模型微調 fine tune 備忘

專案需要用目標檢測模型，由於yolov3精度和效能突出，成為最後選擇的模型。但是因為在實際場景中會有誤檢測和漏檢測的情況，還需要採集實際場景的資料進行微調。思路是直接調整由imagenet+coco資料集訓練出來的權重yolov3.weights，凍結前面的層數，只微調後面n層。

系統：ubuntu 18.04

採集好，篩選，標註，轉換。

其中標註工具我們使用的是labelimg，可以搜尋安裝。但是一般標註的時候選的是pascalvoc格式，最後儲存的是xml檔案，而yolov3的模型需要讀取yolo格式的標籤檔案，因此需要手動轉換，可參考voc_label.py。

然後是各種配置檔案，參考：建立自己的yolo辨識模型 – 以柑橘辨識為例

包括根據種類調整網路結構等，注意因為是fine tune，需要將lr調整低一點，我是直接調為原來的1/2，後面如果不太好再繼續調整。

主要是為了凍結已經訓練好的網路中的前n層的權重，命令：

# 凍結前81層

darknet partial cfg/yolov3.cfg yolov3.weights yolov3.conv.81

這個時候會在本路徑提取出名為yolov3.conv.81的預訓練模型。

命令：

# 使用多gpu進行訓練

darknet detector train cfg/coco.data cfg/yolov3.cfg yolov3.conv.81 -gpus 0,1

訓練期間因為各種原因終止，需要接著訓練，則在原來的weights上繼續訓練：

darknet detector train cfg/coco.data cfg/yolov3.cfg weights/yolov3_500000.weights -gpus 0,1

weights/yolov3_500000.weights是上次訓練最後儲存的權重。

之前是因為官網放出來的訓練教程實在太簡陋了，才在網上找到一些零零散散的教程，拼湊在一起解決問題。

直到找到alexeyab 放在github的教程，基本上你想知道的細節都在裡面了，作者寫得實在詳細，包括如何修改配置，多gpu應該怎麼修改，map怎麼畫，等等。所以如果你看到這裡，還有其他疑問，應該直接進入這篇教程看看了：

建立自己的yolo辨識模型 – 以柑橘辨識為例

（完）