← 返回首页
AI 图像识别

基于Darknet框架的YOLOv3算法开发的模型训练和部署的容器化产品

基于 Darknet 的容器化产品

模型训练工程化 darknet

  1. 训练前的数据准备

    • 工程目录结构
    project/            # 工程根目录
├── cfg             # 配置目录
│   └── voc.names   # 标签名
├── images          # 样本
│   ├── ...
│   └── ...
├── labels          # YOLO标注格式
│   ├── ...
│   └── ...
└── test            # 训练完后用于测试（非必须）
├── ...
└── ...

    platen-switch/
├── cfg
│   └── voc.names
├── images
│   ├── IMG_9255.JPG
│   ├── IMG_9263.JPG
│   ├── IMG_9266.JPG
│   └── IMG_9280.JPG
├── labels
│   ├── IMG_9255.txt
│   ├── IMG_9263.txt
│   ├── IMG_9266.txt
│   └── IMG_9280.txt
└── test
├── IMG_9256.JPG
└── IMG_9271.JPG

  2. 运行darknet容器

    • 将工程目录作为挂载点绑定到容器
    # 使用您的工程绝对路径设置变量 project_dir
$ project_dir='/home/wjunjian/github/gouchicao/darknet/model-zoo/platen-switch'
$ sudo docker run --runtime=nvidia -it --name=darknet \
    --volume=$project_dir:/darknet/project \
    gouchicao/darknet:latest-gpu

  3. 创建工程，用于模型训练

    • 创建工程，自动生成训练前需要的数据
    $ python3 create_project.py
    • 创建后的目录结构
    platen-switch/
├── backup                  # 存储模型训练时权重值
├── cfg
│   ├── train.txt           # 存储用于训练的图像路径
│   ├── valid.txt           # 存储用于验证的图像路径
│   ├── voc.data            # 配置文件
│   ├── voc.names
│   └── yolov3.cfg          # YOLOv3神经网络文件
├── data
│   └── labels              # 预测时，用来绘制标签名
│       ├── 100_0.png
│       ├── ...
│       ├── 99_7.png
│       └── make_labels.py
├── images
│   ├── IMG_9255.JPG
│   ├── IMG_9263.JPG
│   ├── IMG_9266.JPG
│   └── IMG_9280.JPG
├── labels
│   ├── IMG_9255.txt
│   ├── IMG_9263.txt
│   ├── IMG_9266.txt
│   └── IMG_9280.txt
├── predict                 # 用来保存预测的图片
└── test
├── IMG_9256.JPG
└── IMG_9271.JPG

  4. 配置超参数

    • 编辑YOLO神经网络文件：yolov3.cfg
    20行：max_batches = 2000    # 训练的轮数
603行：filters=21    # (classes + 5)*3  classes指cfg/voc.data中的值
610行：classes=2
689行：filters=21    # (classes + 5)*3
696行：classes=2
776行：filters=21    # (classes + 5)*3
783行：classes=2

  5. 训练模型

    $ cd /darknet/project/
$ ../darknet detector train cfg/voc.data cfg/yolov3.cfg ../darknet53.conv.74

# 使用多GPU训练
$ ../darknet detector train cfg/voc.data cfg/yolov3.cfg ../darknet53.conv.74 -gpus 0,1,2,3

  6. 测试模型

    $ ../darknet detector test cfg/voc.data cfg/yolov3.cfg backup/yolov3_final.weights test.jpg

模型部署服务器 darknet-serving

  1. 生成部署模型的数据

    $ cd /darknet/
$ python3 generate_model_deploy_data.py

  2. 生成模型数据的目录结构

    platen-switch/
└── model
   ├── voc.data
   ├── voc.names
   ├── yolov3.cfg
   └── yolov3_final.weights

  3. 运行模型预测服务

    # 使用您本机的绝对路径设置model_dir
$ model_dir=/home/wjunjian/github/gouchicao/darknet/model-zoo/platen-switch/model

# 部署模型
$ sudo docker run --runtime=nvidia -it --name=darknet-serving -p 7713:7713 \
    --volume=$model_dir:/model \
    gouchicao/darknet-serving:latest-gpu

参考资料