二零二零年的大年初一，给大家拜个年，祝大家鼠年吉祥，万事如意，趁着喜气，把Yolov3训练自己的数据过程，记录一下，共勉共进。

同样，无人机搭载山狗拍摄的视频，目标检测的种类是模型tank和airplane，部分效果图镇贴：

数据集准备

首先需要将自己的数据集准备好，不同场景下的目标数据尽可能的收集，以提高最终训练结果的准确度。我这边是使用相机对检测目标进行录像，然后每隔几十帧后截取图片保存。效果如图：

收集完足够图片后，通过开源的标签工具labelImg对目标进行标注，并保存xml文件，为下一步做准备。

数据集预处理

在项目下找到文件夹VOCdevkit\VOC2007，其中会包含文件夹：Annotations（用于存放xml标签数据）、Imagesets（用于存放tet文本数据）、JPEGImages（用于存放原始图片数据），接下来将目标图片集复制进JPEGImages，将标注好的xml文件复制进Annotations，运行test.py，会在Imagesets下生成test文本，看通过修改数值对训练、验证集的数量进行修改，如下图：

原demo修改

① 打开voc_annotations.py，设置好训练的种类后并运行，生成2007_train等文本文件，用于后续训练所用。

② 修改yolo3.cfg文件，搜索YOLO将其fliter（3*（种类+5））、classes=种类，random=0，一共三处修改。

③ 修改model_data下的voc_classes.txt和coco_classes.txt成自己训练的类别，即‘tank’和‘airplane’。

④在项目下 建立logs/000/目录，用于存放自己训练所得的最终模型。

数据集训练

修改完之后，接下来就是漫长的数据训练了。
运行train.py程序进行训练，注意设置好batch_size、Epoch等。我电脑配置是batch_size=3，训练500次，大概是花了一天一夜，loss降到了15左右，检测效果不好，但后面进行了200次的微调训练，loss在16左右，检测效果明显提高，最终保存模型在前面新建的logs文件夹下。

目标检测

修改yolo3.py中的模型路径，按照前文所说方法，对目标进行识别检测，注意修改置信度和拟合度 ，即score和icu，检测效果如下：

好的，那么对自己的数据进行训练的整个过程已经结束了，大家可以按照我的步骤尽情的玩耍了。

补充

在训练完成后，可以进行微调训练，提高检测准确精度，训练过程又快又稳定。方法呢，也很简单，修改train.py中的create_model函数如下：

#训练新的模型
#def create_model(input_shape, anchors, num_classes, load_pretrained=False, freeze_body=False, weights_path='模型路径'):   
#微调训练
def create_model(input_shape, anchors, num_classes, load_pretrained=True, freeze_body=True, weights_path='模型路径'):   

长夜漫漫无心睡眠，我以为只有我睡不着觉，原来京京姑娘你也睡不着啊！