Python实现基于darknet实现的快速启动脚本.zip

**基于darknet实现的快速启动脚本** # 1.项目简介 项目基于darknet开发了一系列的快速启动脚本，旨在让图像识别新手或者开发人员能够快速的启动一个目标检测（定位）的项目。 如果有没有讲清楚的地方，欢迎提issue和PR，希望能和大家共同完善！ 本项目分为两个部分： 1. 提供两个目标检测（**单分类和多分类点选验证码**）的例子，你可以通过例子熟悉定位yolo3定位网络的使用方式 2. 基于darknet提供一系列API，用于使用**自己的数据**进行目标检测模型的训练，并提供web server的代码     ## 1.1项目结构 项目分为`darknet、extent、app`三部分 1. darknet: 这部分是[darknet](https://github.com/pjreddie/darknet)项目源码，没有作任何改动。 2. extent: 扩展部分，包含**生成配置**、**生成样本**、**训练**、**识别demo**、**api程序**。 3. app: 每一个新的识别需求都以app区分，其中包含配置文件、样本和标签文件等。 ## 1.2开始一个例子：单类型目标检测 **以点选验证码为例** darknet实际上给我们提供了一系列的深度学习算法，我们要做的就是使用比较简单的步骤来调用darknet训练我们的识别模型。 - 推荐使用的操作系统是`ubuntu`，遇到的坑会少很多。 - 如果使用windowns系统，需要先安装`cygwin`，便于编译darknet。（参考我的博客：[安装cygwin](https://blog.csdn.net/weixin_39198406/article/details/83020632)） 下面的步骤都已经通过`ubuntu16.04`测试。 #### 1.下载项目 ``` git clone https://github.com/nickliqian/darknet_captcha.git ``` #### 2.编译darknet 进入`darknet_captcha`目录，下载`darknet`项目，覆盖`darknet`目录： ```sh cd darknet_captcha git clone https://github.com/pjreddie/darknet.git ``` 进入`darknet`目录，修改`darknet/Makefile`配置文件 ```shell cd darknet vim Makefile ``` - 如果使用GPU训练则下面的GPU=1 - 使用CPU训练则下面的GPU=0 ``` GPU=1 CUDNN=0 OPENCV=0 OPENMP=0 DEBUG=0 ``` 然后使用`make`编译`darknet`： ``` make ``` >不建议使用CPU进行训练，因为使用CPU不管是训练还是预测，耗时都非常久。 >如果你需要租用临时且价格低的GPU主机进行测试，后面介绍了一些推荐的GPU云服务。 >如果在编译过程中会出错，可以在darknet的issue找一下解决办法，也可以发邮件找我要旧版本的darknet。 #### 3.安装python3环境 使用pip执行下面的语句，并确保你的系统上已经安装了tk： ```sh pip install -r requirement.txt sudo apt-get install python3-tk ``` #### 4.创建一个应用 进入根目录，运行下面的程序生成一个应用的基本配置： ```sh cd darknet_captcha python3 extend/create_app_config.py my_captcha 1 ``` 这里的类别默认生成`classes_1`，你可以修改类别名称； 打开`app/my_captcha/my_captcha.names`修改`classes_1`为主机想要的名称即可。 如何查看`create_app_config.py`的命令行参数解释？ 直接运行`python create_app_config.py`便可以在控制台查看，下面的程序也是如此。 >如果你对darknet相关配置有一定的了解，可以直接打开文件修改参数的值，这里我们保持原样即可。 #### 5.生成样本 生成样本使用另外一个项目 [nickliqian/generate_click_captcha](https://github.com/nickliqian/generate_click_captcha) 这里我已经集成进去了，执行下面的命令生成样本和对应标签到指定应用中`yolo`规定的目录： ``` python3 extend/generate_click_captcha.py my_captcha ``` 运行`python generate_click_captcha.py`查看参数解释。 #### 6.划分训练集和验证集 运行下面的程序，划分训练集和验证集，同时将标签的值转换为`yolo`认识的格式： ``` python3 extend/output_label.py my_captcha 1 ``` 这里填写的种类需要与上面一致。 运行`python output_label.py`查看参数解释。 #### 7.开始训练 到这里，我们要准备的东西还差一样，我们需要下载darknet提供的预训练模型放在`darknet_captcha`目录下： ``` wget https://pjreddie.com/media/files/darknet53.conv.74 ``` 在`darknet_captcha`目录下，执行下面的命令开始训练： ``` ./darknet/darknet detector train app/my_captcha/my_captcha.data app/my_captcha/my_captcha_train.yolov3.cfg darknet53.conv.74 ``` 训练过程中模型会每一百次迭代储存一次，储存在`app/my_captcha/backup/`下，可以进行查看。 #### 8.识别效果 使用`GTX 1060`训练大概1.5小时，训练迭代到1000次，会有比较明显的效果。  我们找一张验证集的图片使用不同进度下的模型进行识别测试，执行下面的语句开始识别： ``` python3 extend/rec.py my_captcha 100 ``` 这里的100是选择`app/my_captcha/images_data/JPEGImages`目录下的第一百张图片进行识别。 运行`python rec.py`查看参数解释。 迭代300次：  迭代800次：  迭代1000次：  迭代1200次：  #### 9.图片切割 这部分比较简单，网上有很多示例代码，可以调用`darknet_interface.cut_and_save`方法把定位到的字符切割下来。    #### 10.分类器 到分类这一步就比较容易了，可以使用darknet自带的分类器，也可以使用[cnn_captcha](https://github.com/nickliqian/cnn_captcha)一个使用卷积神经网络识别验证码的项目。 #### 11.总结 我们识别点选验证码的大致流程如下： 1. 搜集样本 2. 打标签（标注坐标和字符） 3. 训练定位器 4. 检测位置，切割图片 5. 训练分类器 6. 使用定位器+分类器识别点选验证码上字符的位置和字符类别 ## 1.3第二个例子：多类型目标检测 步骤和上面基本上一致，直接把命令列出来： ```python # 生成配置文件 python3 extend/create_app_config.py dummy_captcha 2 # 生成图片 python3 extend/generate_click_captcha.py dummy_captcha 500 True # 输出标签到txt python3 extend/output_label.py dummy_captcha 2 # 开始训练w ./darknet/darknet detector train app/dummy_captcha/dummy_captcha.data app/dummy_captcha/dummy_captcha_train.yolov3.cfg darknet53.conv.74 # 识别测试 python3 extend/rec.py dummy_captcha 100 ``` # 2.训练自己的数据 下面的过程教你如何训练自己数据。 假定我们要创建一个识别路上的车和人的应用，因此类别数量为2。 假定你现在有一些原始图片，首先你需要给这些图片打上标签，推荐使用[labelImg](https://github.com/tzutalin/labelImg)进行打标工作。 使用教程可以自行谷歌，软件界面大致如下： ![](http://www.writebug.com/myres/static/up