簡介

當我們都把環境設置好後，接下來就是要準備餵給Yolo訓練的素材了，有別於DarkFlow的DataSet，Darknet要準備的素材就比較多了，像是Darknet只需要準備1.圖片2.VOC檔案，而這篇要講述Darknet要準備兩倍的資料。

Image & Label

從網路神人所提供的「vcpkg for Win」，這邊先標註一下darknet放置在vcpkg的哪裡。

這與DarkFlow相同，都需要創建自己想要訓練的DataSet，只是我自己訓練的Label格式是使用「txt格式」，可以參照「AI – Yolo – Format Convert Tool」，有Label常見格式。

AI的精準度，當然取決於你的DataSet，不能Label一些完全沒值得AI學習的Image，而網路上有人分享了一些Image與Label的提示:

CH.Tseng 對於DataSet建議

從V2開始，可以自行在cfg檔中設定輸入圖片的尺寸（預設416×416或最高608×608，或任何大於32的2次方倍數尺寸）。所以若在拍攝相片時能用愈高像素來拍更好，可label出的物件愈多，且在後續使用的彈性更大。
在相片的準備上，建議需注意多樣及差異性，假設我們要準備柑橘圖片for辨識使用，那麼拍攝時需注意到：
– 不同環境：比如溫室或戶外的場地，高架或平地種植的草莓。
– 不同季節：蔬果外觀顏色的變化。
– 不同時間：光影的變化帶來的差異，直射斜射或散射光。
– 不同氣候：雨天與乾季對於蔬果外形的影響。
– 不同生長周期：蔬果從發芽抽高長葉到開花結果成熟…等，不同時期的外觀變化。
參考: https://tinyurl.com/ydzc7rth

假設我們擁有具有特徵意義的一些圖片之後，則要進行Labeling的動作，大家也可以參照我之前分享過的Labeling工具介紹去選擇，或是直接使用LabelImg。

當然最便利的方式就是製作出逼真的模擬場景，再透過自動化程式去快速的拍攝DataSet中的Image，往後有機會可以分享一下我的AutoLabeling Tool in Unity。

最後把Image與Label放到我們安排好的資料夾中，資料夾都可以自己命名，在下段會介紹參照檔案會指定訓練程式去讀去那些路徑中的檔案，而上圖是我放置Image與Label的地方。

訓練的Data參照檔案

除了Image與Label data之外，還需要準備另外四個訓練要使用的參照檔案，以下一一介紹，我把參照檔案一併放置在我創建的cfg資料夾中，如上圖:

• .name : 這檔案的內容是要塞你所準備的Label標註的目標種類，如上圖，我的目標種類有四種，並且要把每一個種類的名稱打上去，在之後成果展示時，透過妳訓練好的model，假如偵測到某個目標就會顯示文字與辨識度在畫面中。

• .data : 可以看到上圖，是我的.data檔案，其中有定義Label目標數目、train.txt、test.txt、weights的path，YOLO訓練及預測時皆會讀存與江訓練好的.weights檔案儲存在路徑中，這在開始訓練篇章會詳述。

• train.txt & test.txt : 訓練時YOLO會依次讀取該檔內容取出相片進行訓練。大家可以自己分配要訓練與測試評估的圖片比例，我是取80%做訓練，20%做測試評估。大家可以看到上圖，在文字檔中每一行都有每張圖片的路徑，假如你的Image數量太大，可以用Convert2Yolo工具，直接幫你把這兩個檔案自動產出。

cfg檔案

目前最新的是yolov4，但網路上大家較常使用yolov3。cfg主要的目的是模型訓練的設定檔案，修改方式與Darkflow的cfg設定檔大同小異，大家可以參照這篇。但這邊我還是紀錄一下Darknet版本。

我這邊是拿yolov3.cfg來修改符合我的label項目(你要標註的目標)版本。由於是直接改整包下載下來的Darknet中的yolov3.cfg，所以我就直接講哪幾行要改:

3: set batch=24
4: set subdivisions=8
...
603: set filters=(classes + 5)*3
...
610: set classes=2   
...
689: set filters=(classes + 5)*3   
...
696: set classes=2
...
776: set filters=(classes + 5)*3 
...
783: set classes=2

batch是代表在一次迭代中，有64張圖片被拿來訓練，以更新神經網路的參數 。

subdivisions 是拿來處理GPU記憶體不足的問題，可以使用1,2,4,8,16來測測看。

classes，在我的DataSet中使用了四個類別，這會關係到Filters的數。

filters，根據classes的數量，在yolo有個公式「(classes + 5)*3」，而在我的Filter數就是(4+5)*3=27。大家假如Classes標註Labeling物件數量有不同，該值也會跟著做變動。

而yolov3與yolov3-tiny要設定的classes filter行數也不同，tiny的僅需要修改兩組就好。

小結

	Darknet	Darkflow
難易度	難	較簡單
準確度	高	中等
train model	有	無(暫存檔)
cfg支援	v3 , v4	v3 , v4
Labeling格式	voc.txt	voc.xml

上表是Darkflow與Darknet要準備的DataSet的差別，呼應本篇簡介所提到的，要準備的檔案數量是雙倍的，但訓練出的成果也會是雙倍的準確，我這邊整理了一個堆照表可供大家參考兩者間的差別，依照不同的目的可以去選用哪個訓練平台。

做一個小結論，第一段所描述的「Image & Label」放置在「YOLO」資料夾中，第二段描述的參照檔案放置在「cfg」，最後經過訓練程式產出的model檔案放置在「weights」，由於參照檔案中的「backup weights」路徑有指向該資料夾。

而下一篇我們要進入訓練的指令實際操作篇章，所以在之前的每個步驟都需要萬事俱備，東風馬上就來了。