darknet 【darknet速成】Darknet图像分类从模型自定义到测试

欢迎来到“两小时开源框架系列”专栏，这是我们的第12篇文章。caffe，tensorflow，pytorch，mxnet，keras，paddlepaddle，cntk，chainer，deeplearning4j，matconvnet，lasagne前面都提到过。

今天，darknet也是最后一个框架。关于本文中使用的数据和代码，请参考我们的官方git

https://github.com/longpeng2008/yousan.ai

作者&:编辑|有三个字

1 Darknet是什么

首先，我得表扬一下Darknet的主页，风格不错。

官网地址:https://pjreddie.com/darknet/

https://github.com/pjreddie/darknet

Darknet本身就是约瑟夫·雷德蒙为Yolo系列开发的框架。

约瑟夫·雷德蒙(Joseph Redmon)，一个从《看一次变得更好、更快、更强》到《增量改进》，也就是从Yolo v1到Yolo v2和Yolo v3的男人，他的肖像很好。

Darknet几乎不依赖于库。是用C和CUDA编写的深度学习开源框架，支持CPU和GPU。

我们的第一个开源框架是caffe，但是现在最后一个Darknet和Caffe很像，但是更轻量级。

2 Darknet结构解读

首先，我们来看一下Darknet的代码结构，如下所示:

cfg有几个子目录，数据，例子，包括，python，src，S..

2.1数据目录

Imagenet.labels.list为:

n02120505

n02104365

n02086079

n02101556

我看得出是imagenet的类代码，对应的imagenet.shortnames.list是:

小狐

英语二传手

西伯利亚哈士奇

澳大利亚梗

可以看出，这两个文件存储了imagenet1000的类别信息。

再看9k.labels、9k . name、9k.trees，里面存储了Yolo9000论文对应的9418个类别。Coco.names，openimages.names和voc.names都差不多。

2.2 cfg目录

Cfg，下面有两种类型的文件，一种是。另一个是。cfg文件。当我们打开imagenet1k.data文件时，可以看到它配置了训练数据集的信息:

类别=1000 ##类别数量

train =/data/imagenet/imagenet 1k . train . list # #训练文件

valid =/data/imagenet/imagenet 1k . valid . list # #测试文件

backup =/home/pjreddie/backup/# #培训结果保存文件夹

labels = data/imagenet . labels . list #标签

name = data/imagenet . short name . list

top=5

另一种是。cfg文件。让我们打开cifar.cfg文件进行查看。

# #-1优化参数配置# #

[净]

批次=128

细分=1

高度=28

宽度=28

通道=3

max_crop=32

min_crop=32

# #数据增强参数

色调=.1

饱和度=.75

曝光=.75

# #学习速度策略

学习率=0.4

政策=poly

功率=4

Max _ beats = 5000 # #次迭代

动量=0.9 ##动量项

衰减=0.0005 ##常规项目

# #-2网络参数配置# #

[卷积]

Batch_normalize=1 ##是否要使用Batch_normalize

过滤器=128

尺寸=3

stride=1

pad=1

激活=泄漏##激活功能

[卷积]

batch_normalize=1

过滤器=128

尺寸=3

stride=1

pad=1

激活=泄漏

[卷积]

batch_normalize=1

过滤器=128

尺寸=3

stride=1

pad=1

激活=泄漏

[maxpool]

尺寸=2

stride=2

[辍学]

概率=.5

[卷积]

batch_normalize=1

过滤器=256

尺寸=3

stride=1

pad=1

激活=泄漏

[卷积]

batch_normalize=1

过滤器=256

尺寸=3

stride=1

pad=1

激活=泄漏

[卷积]

batch_normalize=1

过滤器=256

尺寸=3

stride=1

pad=1

激活=泄漏

[maxpool]

尺寸=2

stride=2

[辍学]

概率=.5

[卷积]

batch_normalize=1

过滤器=512

尺寸=3

stride=1

pad=1

激活=泄漏

[卷积]

batch_normalize=1

过滤器=512

尺寸=3

stride=1

pad=1

激活=泄漏

[卷积]

batch_normalize=1

过滤器=512

尺寸=3

stride=1

pad=1

激活=泄漏

[辍学]

概率=.5

[卷积]

过滤器=10

size=1

stride=1

pad=1

激活=泄漏

[avgpool]

[softmax]

组=1

它由两部分组成。第一部分是优化参数的定义，类似caffe的solver.prototxt文件。第二部分是网络定义，类似caffe的train.prototxt文件，只是网络层是用[]，批量归一化和激活函数是用[卷积]配置的。

最终的avgpool不需要配置池半径，softmax也不需要配置输入输出，所以组参数设置在最后。

你可能很好奇，残网怎么弄？

[快捷方式]

激活=泄漏

from=-3

如上所述，用from=-3参数配置意味着返回3个块。

2.3 python目录

下面只有两个文件，分别是darknet.py和proverbot.py..前者是python调用yolo模型的情况，后者没有用。

2.4包含、src、示例目录

Include和src是具体函数，卷积等运算在这里。例子是高级任务的定义，包括分类器和检测器。代码的解释超出了本文的内容，后面会详细说明。

3 数据准备和模型定义

3.1数据准备

之前介绍的都介绍过了，就开始准备培训资料了。和caffe一样，数据准备的过程非常简单。

首先，在数据目录中设置我们自己的任务，按照下面的目录准备文件

├──基因数据

├──标签

├──试验

├──测试列表

├──火车

└──火车.列表

使用以下命令生成文件

查找“pwd ”/ train-name *。jpg >。train.list

查找` pwd`/test -name *。jpg >。test.list

每行存储一个文件，标签通过后缀获得。

/Users/long Peng/Desktop/darknet/data/mouth/train/60 _ smile . jpg

/Users/long Peng/Desktop/darknet/data/mouth/train/201 _ smile . jpg

/Users/long Peng/Desktop/darknet/data/mouth/train/35 _ neutral . jpg

/Users/long Peng/Desktop/darknet/data/mouth/train/492 _ smile . jpg

标签的内容存储在labels.txt中，如下所示

中立的

微笑

3.2配置培训文件路径和网络

转到cfg目录并创建文件mouth.data和mouth . CFG mouth . data的内容如下:

classes = 2

train = data/mouth/train.list

valid = data/mouth/test.list

labels = data/mouth/labels.txt

backup = mouth/

top=5

mouth.cfg内容如下:

[净]

批次=16

细分=1

高度=48

宽度=48

通道=3

max_crop=48

min_crop=48

色调=.1

饱和度=.75

曝光=.75

学习率=0.01

政策=poly

功率=4

最大批次= 5000

动量=0.9

衰变=0.0005

[卷积]

batch_normalize=1

过滤器=12

尺寸=3

stride=1

pad=1

激活=泄漏

[maxpool]

尺寸=2

stride=2

[卷积]

batch_normalize=1

过滤器=24

size=1

stride=1

pad=1

激活=泄漏

[maxpool]

尺寸=2

stride=2

[卷积]

batch_normalize=1

过滤器=48

尺寸=3

stride=1

pad=1

激活=泄漏

[maxpool]

尺寸=2

stride=2

[已连接]

输出=128

激活=relu

[已连接]

输出=2

激活=线性

[softmax]

这里我们用一点数据增强操作，后面会看到它的威力。

4 模型训练

使用以下命令进行训练:

。/darknet分类器train CFG/mouth . data CFG/mouth . CFG

培训结果如下:

上面每一行显示:批号、纪元号、损耗、平均损耗、学习率、时间、看到的样本数。

提取并显示最终结果，损耗变化如下，说明收敛完美。

培训结束后，使用以下脚本进行测试。

。/darknet分类器有效CFG/mouth . data CFG/mouth . CFG mouth/mouth _ 50 . weights

样本的结果如下:

darknet/data/mouth/test/27 _ smile . jpg，1，0.006881，0.993119，

99:前1: 0.960000，前5: 1.000000

样本darknet/data/嘴部/test/27 _ smile.jpg被归为1类，被归为0和1的概率分别为0.006881和0.993119，这是第99个测试样本，top1和top5的平均准确率分别为0.96和1。

到目前为止，我们已经在不到500个样本中完成了精度良好的分类器的训练。有了这么轻便的暗网，我决定粉一下。

总结

本文阐述了如何使用darknet深度学习框架来完成一个分类任务。虽然框架小，但是真的很快，很轻。建议玩深度学习特别是计算机视觉的都要用。