在COCO数据集中制作Darknet的训练集

本篇博客主要以MS COCO作为数据集，制作出Darknet的训练集

COCO数据集是一个CV数据库，里面包含了包括object detection, keypoints estimation, semantic segmentation，image caption等多个任务所需要的数据库

下载MS COCO 2017年版本的数据集， 一共25G左右的图片和1.5G左右的annotation文件，annotation文件的格式为json格式，存储了所有图片中的目标类别(总共80类)，目标bounding box的精确坐标以及目标的分割轮廓信息等。

可以到官方网站下载：http://cocodataset.org/ 但是链接似乎不太管用

给出迅雷下载地址：

图片(images)：

http://images.cocodataset.org/zips/train2017.zip

http://images.cocodataset.org/zips/test2017.zip

http://images.cocodataset.org/zips/val2017.zip

注释(annotations):

http://images.cocodataset.org/annotations/stuff_annotations_trainval2017.zip

http://images.cocodataset.org/annotations/image_info_test2017.zip

http://images.cocodataset.org/annotations/annotations_trainval2017.zip

下载完成，解压后截图如下：

      Darknet是一个用C语言和CUDA编写的开源神经网络框架，目前基于darknet实现的目标检测算法yolov1， yolov2和yolov3在目标检测分类领域有一定的优势，主要在于yolo的网络是end-to-end的，实现简单，检测速度快。具体的算法论坛内有很多相关的说明，请自行查阅。

      提取脚本已经上传到git@github.com:ChriswooTalent/COCO_forYOLO.git中

      有4个python脚本：

   batch_split_annotation_foryolo.py: 批处理解析coco注释文件，将整体的注释文件分离成每个图像单个的注释文件；

   split_annotation_foryolo.py：分离数据文件的执行部分，在batch_split_annotation_foryolo中会调用；

   create_JEPG_dir.py: 将所有训练图像，验证图像，测试图像拷贝到一个JPEGImages文件夹下，只用调用一次；

   create_yolo_list.py:  根据先前分离得到的注释文件，生成训练图像，验证图像，测试图像索引文件。

回归正题，Darknet对训练集有一定的要求，现在主要说明一下如何基于COCO数据集制作Darknet的训练集。

1. 首先从COCO数据集中的注释集中提取出yolo算法需要的图像中目标的bounding box信息；

  安装python 2.7以及相关的依赖库，就可以运行

  运行python batch_split_annotation_foryolo.py(注意修改程序中的绝对路径)

  得到darknet训练所需要的label信息

2. 结合darknet源码，考虑到darknet读取图像和对应label的规则(也可以重新写代码，不执行这一步)，需要将所有图像拷贝到一

   个JPEG文件夹下，然后将步骤1生成的label文件夹移动到和JPEG统一级的目录下；

   这个脚本只需要调用一次：

3. 得到训练图像集， 验证图像集以及测试图像集的路径索引集train.txt,val.txt,test.txt；

    运行python create_yolo_list.py(注意修改程序中的绝对路径)

    生成训练图像集，验证图像集以及测试图像集

4. 整合路径，使Darknet框架代码能够正常调用并且训练；

      1.label文件夹和JPEGImages处于同一级文件夹下；

      2.简历一个coco文件夹，文件夹下面放置train.txt,val.txt,test.txt；

      3.创建coco.data文件，指定训练图像索引文件地址，创建coco.names文件，里面是COCO数据集的所有分类；

       4.将coco文件夹，coco.data文件，coco.names文件一同拷贝到darknet代码训练脚本文件夹下，创建训练脚本，开始训练      

       可以看到训练开始正常进行，如果需要达到yolov3作者训练的水平，需要漫长的时间等待，上传一张使用作者coco数据集的训练的权重进行检测的结果图，yolov3对小目标的检测是有很大优势的：

    小弟第一次原创，如果有写的不好的，不对的，希望各路大牛指出来，感激不尽，刚入AI坑，对深度学习在图像这一块的应用有狂热的兴趣，希望得到大牛指点。