boxIndex.box.width = ann.bbox\[\] \* dw;  
             boxIndex.box.height = ann.bbox\[\] \* dh;  
             //注册  
             boxIndex.catId = findCategoryId(instData.categories, ann.category\_id);  
             if (boxIndex.catId >= )  
                 iml.boxs.Add(boxIndex);  
         }  
         if (iml.boxs.Count > )  
         {  
             lock (labels)  
             {  
                 labels.Add(iml);  
             }  
         }  
     }

 });  
return labels;  

}

public async void BuildYoloData(DataPath dataPath, string txtListName)
{
instances instance = new instances();
if (!File.Exists(dataPath.AnnotationPath))
{
setText(dataPath.AnnotationPath + " 路径不存在.");
return;
}
setText("正在读取文件中:" + Environment.NewLine + dataPath.AnnotationPath);
var jsonTex = await Task.FromResult(File.ReadAllText(dataPath.AnnotationPath));
setText("正在解析文件中:" + Environment.NewLine + dataPath.AnnotationPath);
instance = await Task.FromResult(JsonConvert.DeserializeObject(jsonTex));
setText("正在分析文件包含人物图像:" + instance.images.Count + "个");
List labels = await Task.FromResult(COCODataManager.Instance.CreateYoloLabel(
instance,
(annotationOD at, image image) =>
{
//是否人类
return at.category_id == ;
},
(annotationOD at, image image) =>
{
//是否满足所有人类标签都面积占比都大于十分之一
return (at.bbox[] / image.width) * (at.bbox[] / image.height) > 0.1f;
}));
setText("正在生成label文件:" + Environment.NewLine + dataPath.LabelPath);
if (!Directory.Exists(dataPath.LabelPath))
{
Directory.CreateDirectory(dataPath.LabelPath);
}
await Task.Run(() =>
{
Parallel.ForEach(labels, (ImageLabel imageLabel) =>
{
string fileName = Path.Combine(dataPath.LabelPath,
Path.GetFileNameWithoutExtension(imageLabel.name) + ".txt");
using (var file = new StreamWriter(Path.Combine(dataPath.LabelPath, fileName), false))
{
foreach (var label in imageLabel.boxs)
{
file.WriteLine(label.catId + " " + label.box.xcenter + " " + label.box.ycenter +
" " + label.box.width + " " + label.box.height + " ");
}
}
});
string path = Path.Combine(Directory.GetParent(dataPath.LabelPath).FullName,
txtListName + ".txt");
using (var file = new StreamWriter(path, false))
{
foreach (var label in labels)
{
string lpath = Path.Combine(dataPath.DestImagePath, label.name);
file.WriteLine(lpath);
}
}
});
setText("正在复制需要的文件到指定目录:" + dataPath.AnnotationPath);
await Task.Run(() =>
{
Parallel.ForEach(labels, (ImageLabel imageLabel) =>
{
string spath = Path.Combine(dataPath.SourceImagePath, imageLabel.name);
string dpsth = Path.Combine(dataPath.DestImagePath, imageLabel.name);
if (File.Exists(spath))
File.Copy(spath, dpsth, true);
});
});
setText("全部完成");
}

CreateYoloLabel

　　只有一点需要注意，我们只记录人类box标签数据，但是这些标签需要全部大于特定面积的图，如果你选择的上面还有小面积人物，又不给box标签训练，最后yolo层并没面板的损失函数，会造成干扰，在这本来也没有检查小面积人物的需求，yolov3-tiny层数本也不多，需求泛化后精度很低。

　　darknet本身并没有针对侧立做适配，我们需要修改相应逻辑来完成，很简单，一张图四个方向旋转后，同样修改相应的truth box就行了是，darknet数据加载主要在data.c这部分，找到我们使用的加载逻辑load_data_detection里,主要针对如下修改。

data load_data_detection(int n, char **paths, int m, int w, int h, int boxes, int classes,
float jitter, float hue, float saturation, float exposure)
{
………………..
random_distort_image(sized, hue, saturation, exposure);

    int flip = rand() % ;  
    if (flip)  
        flip\_image(sized);  
    int vflip = rand() % ;  
    if (vflip)  
        vflip\_image(sized);  
    int trans = rand() % ;  
    if (trans)  
        transpose\_image(sized);  
    d.X.vals\[i\] = sized.data;

    fill\_truth\_detection(random\_paths\[i\], boxes, d.y.vals\[i\], classes, flip,  
        -dx / w, -dy / h, nw / w, nh / h, vflip, trans);

    free\_image(orig);  

………………..
}

void correct_boxes(box_label *boxes, int n, float dx, float dy, float sx,
float sy, int flip, int vflip, int trans)
{
int i;
for (i = ; i < n; ++i) {
if (boxes[i].x == && boxes[i].y == ) {
boxes[i].x = ;
boxes[i].y = ;
boxes[i].w = ;
boxes[i].h = ;
continue;
}
boxes[i].left = boxes[i].left * sx - dx;
boxes[i].right = boxes[i].right * sx - dx;
boxes[i].top = boxes[i].top * sy - dy;
boxes[i].bottom = boxes[i].bottom* sy - dy;

    if (flip)  
    {  
        float swap = boxes\[i\].left;  
        boxes\[i\].left = . - boxes\[i\].right;  
        boxes\[i\].right = . - swap;  
    }  
    if (vflip)  
    {  
        float swap = boxes\[i\].top;  
        boxes\[i\].top = . - boxes\[i\].bottom;  
        boxes\[i\].bottom = . - swap;  
    }

    boxes\[i\].left = constrain(, , boxes\[i\].left);  
    boxes\[i\].right = constrain(, , boxes\[i\].right);  
    boxes\[i\].top = constrain(, , boxes\[i\].top);  
    boxes\[i\].bottom = constrain(, , boxes\[i\].bottom);

    boxes\[i\].x = (boxes\[i\].left + boxes\[i\].right) / ;  
    boxes\[i\].y = (boxes\[i\].top + boxes\[i\].bottom) / ;  
    boxes\[i\].w = (boxes\[i\].right - boxes\[i\].left);  
    boxes\[i\].h = (boxes\[i\].bottom - boxes\[i\].top);

    boxes\[i\].w = constrain(, , boxes\[i\].w);  
    boxes\[i\].h = constrain(, , boxes\[i\].h);

    if (trans)  
    {  
        float temp = boxes\[i\].x;  
        boxes\[i\].x = boxes\[i\].y;  
        boxes\[i\].y = temp;  
        temp = boxes\[i\].w;  
        boxes\[i\].w = boxes\[i\].h;  
        boxes\[i\].h = temp;  
    }  
}  

}

load_data_detection

　　然后拿到yolov3-tiny.cfg文件，先把burn_in修改成1，我们没有预精确数据，最开始就以原始学习率开始训练，对应二个yolo层里的classes改成一，记的前面说过，这个层就是分析上面的卷积层，故上面的输出filters=3*(4+1+1)=18,第一次训练后发现五W次就没怎么收敛了，分析了下，应该是anchors导致的，当图像侧立后，这里的也应该有类似数据，故选择全大面积人物二种特定框，分别取侧立，这里正确的搞法应该是用k-means再重新取K=2算一下所有现在特定图的框,分别对应大框与小框，然后侧立下,大框就有二个，小框二个,num=4,mask每层设二个索引，或是K=4,然后让上面来，后面抽出时间完善这步，现暂时用如下数据anchors = 100,100, 119,59, 59,119, 200,200, 326,373, 373,326，这些调整后，现训练21W次，也还一直收敛中。

　　训练与验证根据他自身的train_yolo/validata_yolo修改下，自己可以打印出自己想要的信息，验证可以结合opencv显示我们想要的各种图形比对效果。