YOLO v2 環境建置與操作

* 在 Windows 下工具讀取 Linux 檔案的工具：Ext2Fsd

訓練環境的比較

若使用 NVIDIA GTX 1080Ti 進行訓練，標準 YOLO 架構 40,000 次迭代，大約耗時兩個整天。

若使用 Tiny YOLO 進行訓練，67 個鐘頭可約訓練 100,000 次迭代。

訓練資料集準備

資料集準備與YOLO v1 藥品辨識訓練文件中是相同的，擷取如下：

不管你原本把 darknet 資料夾放在哪兒

請先將 darknet 資料夾移到 /home 目錄下！

VOCdevkit

首先，請下載 voc_label.py 這個檔案在 /home 目錄下。

我們必須將所有分類的標籤（以 21 種藥品為例）放在 class 陣列當中：

classes = ["Amlodipine_Atorvastatin", "Aprovel_300mg",  "Buscopan_10mg" , "Celecoxib_200mg", "Coaprovel",  "Defense_f_c_tab",  "Dipyridamole_25mg", "Dulcolax_5mg", "Ethambutol_HCL_400mg",  "Famotidine_20mg", "Folinate_15mg", "Irbesartan", "Irbesartan_Hydr", "Mebeverine_HCL_100mg",  "Nicametate_Citrate_50mg", "Sinbaby_120gm", "'Tegafur_Uracil", "Theophylline_Anhydrous_250mg", "Theophylline_Anhydrous_125mg", "Trospium_chloride_10mg",  "Ursodeoxycholic_acid"]

如果我有一大堆用類別名稱命名的資料夾，如何快速產生這樣的標籤呢？

請參考這裡的 Windows 技巧，產生 TXT 檔後要注意：要刪掉「XXX.bat」與「list.txt」這兩行，因為他們不是我們要訓練的類別；刪掉後使用 Word 之類的工具，將「換行」取代為「", "」，並在第一行的開頭補上一個「"」。

建立路徑

接著，我們要開始蓋一堆東西（懶人包在這兒）：

1. 在 /home 目錄下建立名為 VOCdevkit 的目錄。

2. 在 VOCdevkit 目錄中，建立名為 VOC2012 的目錄。

3. 在 VOC2012 目錄中，建立 Annotations、ImageSets、JPEGImages 三個目錄。

4. 在 Annotations 目錄中，放入藥品的所有 .xml 檔案。

5. 在 ImageSets 目錄中，建立 Main 目錄，並在 Main 目錄中放入 trainval.txt 檔案（內容是從數字 1 開始，一路排到與訓練圖數量相同的數字 n 的檔案；請參考這兒的方法四）。

6. 在 JPEGImages 目錄中，放入作為訓練樣本的 n 張圖片（.jpg）。

完成後，就可以在 /home 目錄下，執行 voc_label.py 檔案：

python voc_label.py

執行後，會在 /home 目錄下出現 2012_trainval.txt 檔案（裡面包含了所有訓練圖庫的路徑），並在 /home/ee303/VOCdevkit/VOC2012/ 目錄下建立 labels 資料夾，裡面包含 n 筆 .txt 的檔案。

訓練環境準備

在 YOLO v2 的環境建置中，有大幅的修改與簡化步驟。當我們準備好與 YOLO v1 相同的訓練資料集VOCdevkit後：

• 下載此 YOLO v2 的深度學習架構包。

• ~/cfg/yolo-drug.cfg - 修改 classes 數量、修改最下面的 filter = (classes + 5) * 5。

• ~/cfg/voc-drug.data - 修改 classes 數量、train.txt 的檔案路徑、test.txt 的檔案路徑、.names 檔案路徑、backup 的資料夾路徑。

• ~/data/voc_drug.names - 放入所有藥品的名稱，以「換行」分類。

• ~/src/detector.c - 修改所有你看得到的路徑與最下方的 classes 數量。

• ~/train.txt - 修改為訓練照片的路徑。

• ~/test.txt - 修改為測試照片的路徑。

設定完成後記得在 darknet 目錄下使用make指令重新編譯。

系統指令

深度學習訓練：

./darknet detector train cfg/voc-drug.data cfg/yolo-drug.cfg

（這已在 Jetson 上實作，別在桌機實作）搭配傳統影像處理的實時藥物辨識：

./darknet detector drug_test cfg/voc-drug.data cfg/yolo-drug.cfg backup/yolo-drug_final.weights /home/ee303/darknet_drug_200/Combine_result/

（Step 2. 分類）根據 test.txt 進行藥物識別，在 test_all 資料夾中輸出一堆測試結果的 TXT 檔：

./darknet detector test_all cfg/voc-drug.data cfg/yolo-drug.cfg backup/yolo-drug_final.weights test_all/

隨後再用 testall.py 檔案來分析資料夾中的所有 TXT 檔，並輸出評估結果。

（Step 1. 偵測，在 darknet_detection 中）大量測試 multi_test 資料夾中的藥物照片：

框選與辨識結果將存檔於 multi_test/result 資料夾中；而裁減出來的藥物區域，將放在 multi_test/cut 當中。

（要修改 detector.c 中 multi_test 函式的 for 迴圈藥物數量；目前仍有 killed 問題，需要清理使用free指令記憶體）

./darknet detector multi_test cfg/voc-drug.data cfg/yolo-drug.cfg backup/yolo-drug_final.weights multi_test/

下面是幾乎不會用到的...

傳統辨識（測試單張圖片，輸出圖片）：

./darknet detector test cfg/voc-drug.data cfg/yolo-drug.cfg backup/yolo-drug_final.weights /home/ee303/Combine_result/result.png

Recall 測試：

./darknet detector recall cfg/voc-drug.data cfg/yolo-drug.cfg backup/yolo-drug_final.weights

Validate 測試：

./darknet detector valid cfg/voc-drug.data cfg/yolo-drug.cfg backup/yolo-drug_final.weights

特殊用途註解

• 若想在實時藥物辨識時，關閉 "Cannot load image" 的訊息，請到 ~/src/image.c，找到image load_image_cv函式。
• 因為我們訓練或辨識的圖片可能是 .png 檔，與 YOLO 系統預設的 .jpg 並不相同，因此我們必須在 validate_detector_recall 函式中找到 find_replace 區塊，加上find_replace(labelpath, ".png", ".txt", labelpath);指令，程式才能找到對應的 .png 與 .txt 檔。