MobileNet_YOLOv3有着速度快，mAP高的優勢
這是MobileNet_SSD，這個推理速度稍微快一點
在MobileNet_YOLOv3如何訓練自己的數據
第一步、生成lmdb數據集
這一步在此就不用多說了，第六章有詳細介紹：
https://blog.csdn.net/hunzhangzui9837/article/details/88319710
第二步、訓練
1、搭建環境
主要是cuda、cudnn、opencv以及python相關的包的安裝，詳情參考：
https://blog.csdn.net/hunzhangzui9837/article/details/87939458
2、下載
git clone https://github.com/eric612/MobileNet-YOLO.git
3、編譯
cd $MobileNet-YOLO_root/
mkdir build`
cd build
cmake ..
make -j4
make pycaffe
可以通過運行裏面的demo，測試是否編譯成功，如：
cd $MobileNet-YOLO_root/
sh demo_yolo.sh
4、訓練準備
（1）找一個模型做訓練，如train_yolov3.sh
打開可以看到，裏面用的solver是：models/yolov3/mobilenet_yolov3_solver.prototxt
用的預訓練模型是：mobilenet_iter_73000.caffemodel
（2）在根目錄example裏面建立一個文件（自己定義），裏面用於保存自己的訓練文件
裏面包含如下文件：
其中，train_Mobilenet_YOLOv3.sh是train_yolov3.sh基礎上改的，裏面包含solver.prototxt(在mobilenet_yolov3_solver.prototxt基礎上改的)，以及預訓練模型路徑。如下：
#!/bin/sh
./build/tools/caffe train -solver="examples/YOLO_Helmet/solver.prototxt" \
-weights="models/MobileNet/mobilenet_iter_73000.caffemodel" \
--gpu 1 2>&1 | tee examples/YOLO_Helmet/YOLO_Helmet.log \
YOLO_Helmet.log爲訓練時輸出的日誌，便於查看哪一次訓練的mAP更高；
我們一層一層的看，solver.prototxt裏面的內容：
train_net: "examples/YOLO_Helmet/train.prototxt"
test_net: "examples/YOLO_Helmet/test.prototxt"
test_iter: 635
test_interval: 2000
base_lr: 0.0005
display: 10
max_iter: 120000
lr_policy: "multistep"
gamma: 0.5
weight_decay: 0.00005
snapshot: 2000
snapshot_prefix: "models/MobileNet/mobilenet_yolov3_deploy"
solver_mode: GPU
debug_info: false
snapshot_after_train: true
test_initialization: false
average_loss: 10
stepvalue: 25000
stepvalue: 50000
stepvalue: 75000
iter_size: 4
type: "RMSProp"
eval_type: "detection"
ap_version: "11point"
show_per_class_result: true
每行參數的意義我就不一一說明（自行百度），重點說一下三個路徑：
train_net：存放train.prototxt（在mobilenet_yolov3_train.prototxt基礎上改的）的路徑；
test_net：存放test.prototxt（在mobilenet_yolov3_test.prototxt基礎上改的）的路徑；
snapshot_prefix：訓練輸出模型的路徑，其中mobilenet_yolov3_deploy爲模型名字；
我們一層一層的看，先看test.prototxt
找到上圖的位置，修改三個地方：
（a）source路徑（這裏就是lmdb格式的測試集）；
（b）batch_size的大小，這裏的batch_size×solver.prototxt裏面的test_iter>=測試集的數據，不然在訓練時loss值可能不會下降，但是batch_size不能過大，否則GPU承受不了。
（c）label_map_file路徑要修改
上圖的num_output需要修改（有三處），具體大小參考官方說明：
比如我的分類只有5類（不包含background），所以這裏設置爲30
所以上圖的num_classes設置爲5
但是這兒需要設置爲6（包含background）
我們一層一層的看，再看train.prototxt
這兒跟上面一樣，修改就好了
這兒也跟上面一樣，修改就好了
num_classes都設置爲5（有三處）、
5、訓練
cd $MobileNet-YOLO_root/
./examples/YOLO_Helmet/train_Mobilenet_YOLOv3.sh
慢慢等待吧！