En este proyecto se presenta el entrenamiento con tu propio dataset para YOLOv3
https://pjreddie.com/media/files/papers/YOLOv3.pdf
$ conda create -n YoloCustom anaconda python=3.6
$ conda activate YoloCustom
$ pip install opencv-python numpy matplotlib tensorboard terminaltables pillow tqdm
$ conda install pytorch==1.1.0 torchvision==0.3.0 cudatoolkit=10.0 -c pytorch
Ejecutar labelImg.py
$ cd labelImg
$ python labelImg.py
Se deben obtener los archivos labels (.txt) de las imagenes de tu dataset
Luego ejecutar jupyter notebook desde anaconda y abrir Yolov3Files.ipyb para generar los archivos train.txt y valid.txt
$ jupyter notebook
Finalmente se obtienen los siguientes archivos
En data/custom/images las imagenes del dataset
En data/custom/labels los labels .txt del dataset
En data/ los archivos train.txt y valid.txt
En data/ el archivo classes.names con los nombres de las clases del dataset
En la carpeta config/ el archivo .cfg que corresponda con el número de clases de nuestro dataset
En la carpeta config/ modificar el archivo custom.data con el número de clases del dataset
Para el archivo .cfg abrir el archivo bash .sh y modificar el parámetro NUM_CLASSES=3
Ejecutarlo usango Git para windows
Si no tienes instalado Git para windows lo puedes descargar en el siguieinte enlace
https://git-scm.com/download/win
$!pip install torch==1.1 torchvision==0.3
$!pip install opencv-python numpy matplotlib tensorboard terminaltables pillow tqdm
$!git clone https://github.com/Hark0616/Yolov3Custom.git
$cd Yolov3Custom
$import urllib.request
$urllib.request.urlretrieve('https://pjreddie.com/media/files/darknet53.conv.74','/content/Yolov3Custom/weights/darknet53.conv.74')
$from google.colab import drive
$drive.mount('/content/drive')
$!cp -r "/content/drive/My Drive/Desarrollos/YoloCustom/custom" "/content/Yolov3Custom/data"
$!cp -r "/content/drive/My Drive/Desarrollos/YoloCustom/config" "/content/Yolov3Custom"
Entrar al directorio /usr/local/lib/libpackages/torchvision/transforms/functional.py
Cambiar esta línea
from PIL import Image, ImageOps, ImageEnhance, PILLOW_VERSION
Por esta
from PIL import Image, ImageOps, ImageEnhance, __version__ as PILLOW_VERSION
Entrenamiento
$!python train.py --model_def config/yolov3-custom3C.cfg --data_config config/custom.data --epochs 200 --batch_size 4 --pretrained_weights weights/darknet53.conv.74
Descargar el archivo .pth y copiarlo en el directorio checkpoints local
python detectC.py --image_folder data/samplesC/ --model_def config/yolov3-custom3C.cfg --weights_path checkpoints/yolov3_ckpt_252.pth --class_path data/custom/classes.names
python detect_cam.py --model_def config/yolov3-custom3C.cfg --weights_path checkpoints/yolov3_ckpt_252.pth --class_path data/custom/classes.names --conf_thres 0.6
https://github.com/eriklindernoren
https://www.tooploox.com/blog/card-detection-using-yolo-on-android