成功地根据以前的博客内容自己收集了训练数据集，收集了已标记的数据，但现在正在尝试用自己的数据训练yolo v2模型。
1 .处理的数据是自己的数据为pascal格式，需要转换为darknet需要的格式。 没有必要慌张。 因为官方给出了脚本，所以自己稍微修改一下就可以了。 (由于pascal格式被广泛使用，即使在一般的模型框架中不能立即使用pascal，也会给出pascal的转换脚本) )。
使用以下脚本生成train.txt : 由于我的数据集不够，没有细分为训练集和验证集，而是全部成为训练集，因此没有生成val.txt。 请根据需要适当更改代码)
#！/usr/zjdj/env python2#-* coding : utf-8-- * ' ' createdonwedjul 12173360503360262017 @ author : seven ' ' getcwdfromos.pathimportjoinif _ name _=' _ main seven/darknet/infrared/train.txt ' # train.txt的地址file _ list=OS.list dir (source _ folder ) #存储替代图像的文件夹的打开' a ' ) #文件for file_obj in file_list: #，打开文件列表中的每个文件file _ path=OS.path.join (source _ folder， file_obj ) file )来访问file_extend=OS.path.splitext (file _ obj ) ##file_name保存文件的名称，file _ extend保存文件n ' ) train_file.close(# (通过关闭#文件生成的train.txt包含训练集中每个图像的文件名。 然后，以下脚本将使用train.txt生成与每个图像对应的(图像名称).txt和infrared_train.txt文件： (图像名称).txt文件包含目标在图像中的位置和类别标签，而infrared_train.txt文件包含每个图像的完整路径。
#！/usr/zjdj/env python2# "-- *-coding : utf-8-- * - ' ' createdonwedjul 12173360503360262017 @ author : seven ' ' import XML.etree.elementtreeasetimportpickleimportos getcwdortos e']#类别是您需要发现的所有类别defconvert(size，box ) : dw=1./size [0] DH=1./size [1] x=(box [0] box ) dwy=y*DHh=h*DHreturn(x，y，w， h ) defconvert_annotation(image_id ) : in _ file=open (/home/seven/darknet/infrared/plate/XML/% ) %s.txt'%(image_id )， ' w ' ) #与此xml对应的转换后的txt为、 此txt的保存完整路径tree=et.parse(in_file ) root=tree.getroot ) (size=root.find )访问size标签中的数据w=int ) size . 因为没有设置读取ize标签高度的数据forobjinroot.iter ) object ) : ) difficult=obj )的difficultt，所以cls=obj.find(name ) .
t) == 1: continue cls_id = classes.index(cls) xmlbox = obj.find('bndbox') #访问boundbox标签的数据并进行处理，都按yolo自带的代码来，没有改动 b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text)) bb = convert((w,h), b) out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + 'n')image_ids = open('/home/seven/darknet/infrared/train.txt').read().strip().split() list_file = open('/home/seven/darknet/infrared/infrared_train.txt', 'w') for image_id in image_ids: list_file.write('/home/seven/darknet/infrared/plate/image/%s.jpgn'%(image_id)) #把每一用于训练或验证的图片的完整的路径写入到infrared_train.txt中 这个文件会被voc.data yolo.c调用 convert_annotation(image_id) #把图片的名称id传给函数，用于把此图片对应的xml中的数据转换成yolo要求的txt格式list_file.close() #关闭文件至此，我们成功生成了一个文件夹的（图片名）.txt文件和一个infrared_train.txt文件。将那一个文件夹的（图片名）.txt文件复制到图片所在的文件夹中，对我而言为’/home/seven/darknet/infrared/plate/image’。
2.修改文档及代码 (1)修改.names将data文件夹中的voc.names中的类别改为自己要检测的类，或新建一个.names 文件，在其中写上自己的类别。比如，我新建了plate.names文件，并在其中第一行写上plate。
(2)修改voc.data打开cfg文件夹中的voc.data，将class修改为自己要识别的类别数，train为生成的infrared_train.txt的路径，valid为生成的infrared_val.txt（如不用测试集测试，可忽略），names修改为刚才修改的.names路径，backup设为darknet下的backup文件夹就好。我的设置如下：
classes= 1
train = /home/seven/darknet/infrared/infrared_train.txt
valid = /home/seven/darknet/infrared/infrared_val.txt
names = data/plate.names
backup = /home/seven/darknet/backup
由于我使用的是tiny-yolo，所以我对tiny-yolo-voc.cfg进行修改(如使用yolo，可修改yolo-voc.2.0.cfg，修改方法一样)。batch和subdivisions可根据自己的内存大小修改，我使用默认的64和8。在文件的末尾位置找到classes，修改为classes=(你的类别数)，并修改【region】上方两行的filter，计算公式为(classes+ coords+ 1)* (num)变量均在【region】中定义，我的为（1+4+1）×5=30。至于学习率之类的可以自行调整。
(4)修改.c文件example文件夹中的yolo.c：
a.将开头的voc_names[]修改为自己的检测类别，如：char *voc_names[] = {"plate"};
b.将train_yolo中的的train_images和backup_directory改为自己的路径，如：
c.将validate_yolo和valadate_yolo_recall的base和plist作如下修改：
char *base = "/home/seven/darknet/results/comp4_det_test_"; list *plist = get_paths("/home/seven/darknet/infrared/infrared_val.txt");d.将315行的draw_detection函数参数中的20改为自己的类别数，如draw_detections(im, l.side*l.side*l.n, thresh, boxes, probs, voc_names, alphabet, 1);
e.将348行的demo函数修改参数为自己的类别数：demo(cfg, weights, thresh, cam_index, filename, voc_names, 1, frame_skip, prefix, avg, .5, 0,0,0,0);
example文件夹中的detector.c：
511行的plist改为infrared_val.txt（若不需测试验证，可不修改）
将scripts文件夹中的classes改为自己的类别（感觉没用，以防万一的修改）
3.下载预训练模型进入https://pjreddie.com/darknet/yolo/选取适合自己的预训练模型，如图，我选择tiny-yolo
训练好的模型放在darknet文件夹根目录
终端进入darknet根目录，输入下列命令
./darknet detector train cfg/voc.data cfg/yolo_voc.cfg tiny-yolo-voc.weights搞定收工！
（如果编译选择使用opencv，可能报错，终端在darknet根目录，输入make clean，然后修改makefile中的opencv=0，保存后退出，重新make，然后再输入上面的命令就好。
(1)测试：
可以用一下命令行
(2)评估：
训练完后可以用测试机对模型进行评估（需要按照上面所述的生成infrared_val.txt），命令为：
选择backup中生成的.weights文件。