簡介

在前幾篇設定好環境、準備好自己要訓練的檔案之後，這篇要介紹有關於Yolo訓練、讀取model進行驗證，最後透過不同的方式來檢視你訓練後的成果。

訓練

我們之前有說過可以透過Anaconda來創建專屬Darknet來訓練的環境，首先我們可以看看你的Anaconda中有那些虛擬環境，找到我們先前為Darknet所創建的環境後並進入該環境，最後請移動到你的vcpkg中的darknet中。

conda env list

conda activate 虛擬環境名稱

cd 至你的vcpkg中的darknet路徑

接著我們可以下載預先訓練好的weights檔案，叫做「 darknet53.conv.74 .weights」，放置在你Darknet資料夾中。

darknet.exe detector train Eggy/cfg/obj.data Eggy/cfg/yolov3.cfg darknet53.conv.74

接著我們就要開始訓練了在指令「執行檔案+執行指令+.data路徑+yolov3路徑+先前訓練好的weight」 ，訓練的指令關鍵字是「detector train」，並且要用我們先前Build好的「darknet.exe」執行訓練程式，上述是執行訓練的指令。

在一開始跑開始訓練的畫面如上圖，可以看到畫上紅線處，系統會偵測你的cudnn版本以及顯示卡數量與型號，用來評估訓練的時間的其中一個元素。

上圖是成功開始訓練的畫面，我們可以看到左側有即時訓練的圖表，Y軸是模型的Loss，X軸是訓練的次數。

訓練中止

當我們開始訓練時候，當然想要越快訓練好越好，我們可以依照Darknet所提供的圖表，如上圖一，可以看到藍色的曲線，假如你Dataset圖片的張數有上千張的話，建議該曲線低於0.06在終止訓練，假如上百張大概就0.6就可以停止。

上圖二就是在Command line中可以看到每個Step訓練的詳細訊息，而我畫紅線的是整串資訊中最重要的訊息，就是「avg loss」，取決你停止訓練的時機。

而我們想要終止訓練的話可以在Command line中按下「ctrl + x」即可。

驗證

程式驗證

darknet.exe detector map Eggy/cfg/obj.data Eggy/cfg/yolov3.cfg Eggy/weights/yolov3_6000.weights

驗證的方式有很多種，有單張圖片驗證、影片驗證、即時驗證、程式驗證，而最快且最有效率最大量的驗證方式，就是透過程式來驗證。還記得在Dataset篇章有設定好兩組圖，一組是拿來訓練，一組就是拿來透過指令進行程式驗證，上述是指令，其中「map」是指令得關鍵。

可以看到上圖中紅線所提到的「mAP」就是指令「map」的用意，用來看看每一個classes的準確度，可以看到紅色框框就是我在object.name中所填入的每個標註類別，程式驗證將把每個classes的驗證準確率測試出並顯示在Command line中。

單張圖片驗證

darknet.exe detector test Eggy/cfg/obj.data Eggy/cfg/yolov3.cfg Eggy/weights/yolov3_6000.weights 圖片路徑

不同於程式驗證的關鍵指令，單張圖篇驗證的指令為「test」，而我們可以透過不同的圖片路徑來驗證不同的圖片，上圖是驗證成功的畫面，在Command line與圖片畫面中都會顯示辨識的百分比。

影片驗證

darknet.exe detector demo Eggy/cfg/obj.data Eggy/cfg/yolov3.cfg Eggy/weights/yolov3_6000.weights 影片路徑

而影片驗證的關鍵指令是「demo」，上述是完整的指令，與圖片不同的是，她可以一次偵測好幾張圖片(影片就是一堆圖片串成的)，相對於單張驗證來講是比較有效率的。

即時驗證

darknet.exe detector demo Eggy/cfg/obj.data Eggy/cfg/yolov3.cfg Eggy/weights/yolov3_6000.weights -c 0

即時驗證可以透過手機或是桌機的Webcam來做即時的驗證，而關鍵字同於影片驗證相同，都是使用「demo」，只是他沒有要加什麼路徑在指令串的末端，只需要加入「-c 0」，意思就是「camera 0號」。

可以看到上圖展示結果，程式在每一偵都會進行辨識，而便是到的數量、類別、辨識率都會顯示在Command line與demo視窗中。

小結

綜合這幾篇關於Darknet手把手分享後，發現與Darkflow操作難易度真的差很多，平平都是用yolo的系統，但訓練的精細程度還是Darknet比較優。當然Darknet還有很多可以延伸的部分，例如:可以使用多格GPU來訓練(我們現在是用單GUP)、在Web進行驗證、使用Amazon平台來訓練模型、增強模型的精細程度、將weights在3D整合軟體實際應用，總而言之，Darknet真的很威，且最重要的是，訓練出來的model檔案都可以真真實實的長我在我們手上，有實際的檔案。