其他文章
上次寫了一篇關於使用yolo訓練voc資料集的文章，傳送門（/article/details/78724314）。但是總不能只使用乙個資料集，多使用幾個資料集看看效果。因為我主要在做車輛和行人方面的檢測。正好kitti 資料集是做無人駕駛方面的公開權威資料集，包含大量公路，城市街道等各種路況的資料集，官方**（很符合我的要求。
2. kitti 資料集轉化為voc資料集格式
如果你沒有修改yolo網路的原始碼，我們知道，它需要的是voc資料格式的訓練集。那麼voc資料集格式是這麼樣的呢？簡單來看一下：
後面兩個是分割用到的，不用管他們。這裡面用到的資料夾是annotation、imagesets和jpegimages。其中資料夾annotation中主要存放xml檔案，每乙個xml對應一張影象，並且每個xml中存放的是標記的各個目標的位置和類別資訊，命名通常與對應的原始影象一樣；而imagesets我們只需要用到main資料夾，這裡面存放的是一些文字檔案，通常為train.txt、test.txt等，該文字檔案裡面的內容是需要用來訓練或測試的影象的名字（無字尾無路徑）；jpegimages資料夾中放我們已按統一規則命名好的原始影象。--voc--annotations
--imagesets
--main
--layout
--segmentation
--jpegimages
--segmentationclass
--segmentationobject
而kitti資料集又是什麼樣的呢
kitti的標記資訊是乙個txt，裡面的內容如下：
car 0.00 0 -1.67 642.24 178.50 680.14 208.68 1.381.49 3.32 2.41 1.66 34.98 -1.60
car 0.00 0 -1.75 685.77 178.12 767.02 235.21 1.50 1.62 3.89 3.27 1.67 21.18-1.60
以上內容的含義如下：（截圖自
這部分參考
大概了解了資料的格式，我們就開始轉化吧。首先建立一系列的資料夾：
# 在scipts/資料夾下新建kittidevkit/kitti兩層子目錄，所需檔案放在kitti/中
annotations/
└── 000000.xml
imagesets/
└── main/
└── trainval.txt
└── test.txt#等等
jpegimages/
└── 000000.png
kitti_labels/
└── 000000.txt # 自建資料夾，存放原始標註資訊，待轉化為xml，不屬於voc格式
create_train_test_txt.py# 3個python工具，後面有詳細介紹
modify_annotations_txt.py
txt_to_xml.py
截圖如下：
第一步，類別轉化
pascal voc資料集總共20個類別，如果用於特定場景，20個類別確實多了。此次博主為資料集設定3個類別， 『car』，』cyclist』，』pedestrian』，只不過標註資訊中還有其他型別的車和人，直接略過有點浪費，博主希望將 『van』, 『truck』,『tram』 合併到 『car』類別中去，將『person_sitting』合併到 『pedestrian』類別中去（『misc』和 『dontcare』這兩類直接忽略）。這裡使用的是modify_annotations_txt.py工具。
對原始txt檔案進行上述處理後，接下來需要將標註檔案從txt轉化為xml，並去掉標註資訊中用不上的部分，只留下3類，還有把座標值從float型轉化為int型，最後所有生成的xml檔案要存放在annotations資料夾中。這裡使用的是txt_to_xml.py工具，此處是由kitti_ssd 的**修改而來，感謝作者的貢獻。
用於ssd訓練的pascal voc格式的資料集總共就是三大塊：首先是jpegimages資料夾，放入了所有png；然後是annotations資料夾，上述步驟已經生成了相應的xml檔案；最後就是imagessets資料夾，裡面有乙個main子資料夾，這個資料夾存放的是訓練驗證集，測試集的相關列表檔案，如下圖所示：
到這裡資料轉化已經基本完成。
最後有乙個很重要的細節，不要忽略，voc資料集是jpg格式，而kitti資料集是png格式的。
我們要看一下原始碼是如何讀取和標記資訊的txt檔案。很簡單，之前我們在train.txt檔案裡面只記錄了所有訓練的絕對路徑，並沒有記錄labels檔案的路徑，所以我們要通過的路徑得到labels的路徑，因為如果我們是按照標準方式放置的檔案，那麼labels檔案的位置和png檔案位置很相近，有規律可尋，只要替換一些資料夾和字尾名就可以了。
到這裡應該就可以正常訓練了，這次我的maxbatch設定為40000，訓練了十幾個小時。訓練完的檢測效果可以看一下：訓練命令：darknet.exe detector train data/kitti.data cfg/kitti.cfg pre_model/darknet19_448.conv.23 -gpus 0,1
參考文獻
[1] 官網提供了很多訓練好的模型,很良心
[2] yolo v2**原文
[3] github原始碼
[4] kitti資料集官網
[5]還有很多優秀的部落格，感謝他們的貢獻
yolo訓練資料
第一點資料集的標註 使用linux下資料標註工具 bbox生成的檔案格式 lines x1 y1 x2 y1 x3 y3 x4 y4 第一行的資料是總共引數的行數，第二行x，y為所框物件的頂點座標。如果使用python指令碼進行資料的轉換完全不用理會。重點在於下面幾行座標的轉換。在yolo中需要的座...
YOLO訓練自己的資料集
很高興現在已經有幾百人通過我的教程成功地使用yolo處理自己的資料集。最近一直在用cnn的模型做影象二分類，但苦於效果不佳，於是把影象分類問題轉作目標識別問題。做目標識別選擇了yolo you only look once 乙個最近推出的方法，突出的優點就是速度快。查詢了網上關於yolo的訓練自己資...
yolo生成和訓練資料集
裡面共有兩個資料夾，現在我們使用的是xml2txt xml2txt.py檔案來對我們資料進行處理，首先你需要把你所有標註的xml檔案和所有的檔案放在一起，就像這樣 這是手機拍的 所有檔名很麻煩。明白博主為什麼要重新命名所有的了吧 接著切到剛才的xml2txt.py資料夾內，使用命令 python x...