---
layout: single
title:  "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"
date:   2019-07-09 00:00:00 +0800
categories: [技术教程, 人工智能]
tags: [目标检测, Darknet, YOLOv3, Docker, 模型部署, 容器化]
excerpt: "基于Docker的YOLOv3模型训练和部署容器化产品教程，包含训练工程化和预测服务部署。"
---

## 基于 Darknet 的容器化产品
* 模型训练工程化 [darknet]
* 模型部署服务器 [darknet-serving]

## 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）
    ├── ...
    └── ...
    ```

    * 举例：这里以[platen-switch](https://github.com/gouchicao/darknet/tree/master/model-zoo/platen-switch)为例
    ```
    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
    ```bash
    # 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
    ```bash
    $ 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
    ```bash
    $ 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
    ```bash
    $ ../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
    ```bash
    $ cd /darknet/
    $ python3 generate_model_deploy_data.py
    ```

2. 生成模型数据的目录结构
    ```bash
    platen-switch/
    └── model
       ├── voc.data
       ├── voc.names
       ├── yolov3.cfg
       └── yolov3_final.weights
    ```

3. 运行模型预测服务
    ```bash
    # 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
    ```

[darknet]: https://github.com/gouchicao/darknet
[darknet-serving]: https://github.com/gouchicao/darknet-serving

## 参考资料
* [darknet](https://github.com/gouchicao/darknet)
* [darknet-serving](https://github.com/gouchicao/darknet-serving)
* [模型动物园](https://github.com/gouchicao/darknet/tree/master/model-zoo)