---

模型动物园

获得darknet镜像（GPU）

有两种方式：拉取hub.docker上的镜像和自己在本地生成镜像。

GPU

1. 拉取darknet镜像

$ sudo docker pull gouchicao/darknet:latest-gpu

2. 构建darknet镜像

• 下载Darknet的源代码和基于Imagenet的预训练模型darknet53

$ ./get_darknet.sh

• 构建镜像

$ sudo docker build -f Dockerfile.gpu -t gouchicao/darknet:latest-gpu .

• 测试

$ sudo docker run --runtime=nvidia --rm gouchicao/darknet:latest-gpu ./darknet
usage: ./darknet <function>

CPU

1. 拉取darknet镜像

$ sudo docker pull gouchicao/darknet:latest

2. 构建darknet镜像

• 下载Darknet的源代码和基于Imagenet的预训练模型darknet53

$ ./get_darknet.sh

• 构建镜像

$ sudo docker build -f Dockerfile.cpu -t gouchicao/darknet:latest .

• 测试

$ sudo docker run --rm gouchicao/darknet:latest ./darknet
usage: ./darknet <function>

运行darknet容器（GPU）进行模型训练

1. 训练前的数据准备

   • 工程目录结构

   project/            # 工程根目录
   ├── cfg             # 配置目录
   │   └── voc.names   # 标签名
   ├── images          # 样本
   │   ├── ...
   │   └── ...
   ├── labels          # YOLO标注格式
   │   ├── ...
   │   └── ...
   └── test            # 训练完后用于测试（非必须）
       ├── ...
       └── ...
   

   • 举例：这里以platen-switch为例

   platen-switch/
   ├── cfg
   │   └── voc.names
   ├── images
   │   ├── IMG_9255.JPG
   │   ├── IMG_9263.JPG
   │   ├── IMG_9266.JPG
   │   └── IMG_9280.JPG
   ├── labels
   │   ├── IMG_9255.txt
   │   ├── IMG_9263.txt
   │   ├── IMG_9266.txt
   │   └── IMG_9280.txt
   └── test
       ├── IMG_9256.JPG
       └── IMG_9271.JPG
   

2. 运行darknet容器

   运行CPU版本不需要加 --runtime=nvidia，镜像使用 gouchicao/darknet:latest

   • 将工程目录作为挂载点绑定到容器

   # 使用您的工程绝对路径设置变量 project_dir
   $ project_dir='/home/wjunjian/github/gouchicao/darknet/model-zoo/platen-switch'
   $ sudo docker run --runtime=nvidia -it --name=darknet \
       --volume=$project_dir:/darknet/project \
       gouchicao/darknet:latest-gpu

3. 创建工程，用于模型训练

   • 创建工程，自动生成训练前需要的数据

   $ python3 create_project.py

   • 创建后的目录结构

   platen-switch/
   ├── backup                  # 存储模型训练时权重值
   ├── cfg
   │   ├── train.txt           # 存储用于训练的图像路径
   │   ├── valid.txt           # 存储用于验证的图像路径
   │   ├── voc.data            # 配置文件
   │   ├── voc.names
   │   └── yolov3.cfg          # YOLOv3神经网络文件
   ├── data
   │   └── labels              # 预测时，用来绘制标签名
   │       ├── 100_0.png
   │       ├── ...
   │       ├── 99_7.png
   │       └── make_labels.py
   ├── images
   │   ├── IMG_9255.JPG
   │   ├── IMG_9263.JPG
   │   ├── IMG_9266.JPG
   │   └── IMG_9280.JPG
   ├── labels
   │   ├── IMG_9255.txt
   │   ├── IMG_9263.txt
   │   ├── IMG_9266.txt
   │   └── IMG_9280.txt
   ├── predict                 # 用来保存预测的图片
   └── test
       ├── IMG_9256.JPG
       └── IMG_9271.JPG
   

4. 配置超参数

   • 编辑YOLO神经网络文件：yolov3.cfg

   20行：max_batches = 2000    # 训练的轮数
   603行：filters=21    # (classes + 5)*3  classes指cfg/voc.data中的值
   610行：classes=2
   689行：filters=21    # (classes + 5)*3
   696行：classes=2
   776行：filters=21    # (classes + 5)*3
   783行：classes=2
   

5. 训练模型

   $ cd /darknet/project/
   $ ../darknet detector train cfg/voc.data cfg/yolov3.cfg ../darknet53.conv.74
   
   # 使用多GPU训练
   $ ../darknet detector train cfg/voc.data cfg/yolov3.cfg ../darknet53.conv.74 -gpus 0,1,2,3

6. 测试模型

   $ ../darknet detector test cfg/voc.data cfg/yolov3.cfg backup/yolov3_final.weights test.jpg

生成部署模型的数据

模型部署详见darknet-serving

• 运行命令generate_model_deploy_data.py

$ cd /darknet/
$ python3 generate_model_deploy_data.py

• 生成模型数据的目录结构

platen-switch/
└── model
    ├── voc.data
    ├── voc.names
    ├── yolov3.cfg
    └── yolov3_final.weights

参考资料

• How to train (to detect your custom objects)