自己電腦的GPU不支援cuda，所以嘗試使用谷歌的Colabortory,免費提供GPU，最長執行時間12小時，因此一般需要掛載到谷歌雲盤上，儲存檔案。

資料集

目標檢測的資料集需要自己手動標註目標物體位置並對應生成xml檔案表示目標框的位置，本文簡單介紹windows系統下標註工具LabelImg的使用。
LabelImg下載連結:LabeIImg
下載好labelImg-master.zip後解壓得到如下圖所示。

shift+右擊空白處開啟powershell視窗
輸入兩個命令Pyrcc5 -o resources.py resources.qrc
python labelImg.py
可能會出現no module named libs.resources這樣的錯誤，將resources.py拷貝到同級的libs目錄下就可以解決了。再輸入第二條命令就可以執行成功了。具體使用可以參考這篇windows下使用labelImg標註影像

本次採用的資料集是紅細胞的檢測，已經標註好的資料連結：已標註好的細胞資料連線，Annotations檔案是已經標註好目標框的xml檔案，JPEGImages是jpg圖片檔案。

colab使用

首先需要建立一個谷歌雲盤賬號，右鍵空白處->更多->Google Colabortory,相應目錄下會生成一個.ipynb檔案，下次使用可直接右鍵此檔案以Google Colabortory方式開啟。如果沒有Googel Colabortory選項，點選關聯更多應用新增。

首先訓練自己的資料集需要掛載谷歌雲盤，方便檔案的傳輸。點選連結進去，複製程式碼到下面框中即可。

掛載成功如下圖

下面介紹一些簡單的檔案操作：

設定GPU模式

配置檔案

首先clone專案構建Darknet，輸入以下命令

構建好後，右側檔案如下圖：

上傳並構建資料集

將剛才下載好的資料集上傳到/darknet/data/目錄下，在谷歌雲盤中相應目錄下空白處右擊上傳即可，修改資料集名字為yolov3。

點進Yolov3，建立imagesets和labels兩個空資料夾，imagesets存放圖片路徑，labels存放目標框位置。

imagesets路徑編寫生成的txt檔案內容如下，每張圖片的完整路徑。

分割資料集為訓練集和測試集，分割後圖片的名字存在imagesets下

imagesets下的檔案

從xml檔案中提取目標框座標，並存入labels資料夾裡，生成train.txt和test.txt，與上面生成的不一樣，這裡是圖片的完整路徑

生成的labels檔案內容如下：

配置檔案

在/darknet/data/目錄下建立rbc.data和rbc.names檔案,如下：


網路結構配置，將/darknet/cfg/目錄下的yolov3.cf檔案基礎上改，可以將yolov3.cf檔案複製重新命名為yolov3_custom.cfg再存到cfg目錄下。修改地方如下，如何修改可參考Yolov3 win10+vs17 執行及訓練自己的資料集

開始訓練

下載預訓練權重

訓練，第一行是防止Permission denied錯誤。這裡注意前面構建資料的檔案一定要放對路徑，不然會報奇奇怪怪的錯。訓練產生的權重檔案自動儲存在/darknet/backup中

如中間因不明原因停止可以檢視backup目錄下最後一次權重是多少（比如yolov3_custom_700.weights），然後執行如下程式碼就可以了。