Mxnet中的Gluoncv提供标准VOC和COCO数据集上的预训练模型、数据读取类和训练程序，如果我们想使用model_zoo里面的预训练模型，并在自己的数据集上微调，则需要调整一些程序，下面介绍在自有的VOC格式的数据集上训练Yolov3的方法。

        主干网络仍使用Gluoncv提供的官方Yolov3训练程序，下面链接中的train_yolo3.py：

        https://gluon-cv.mxnet.io/model_zoo/detection.html#yolo-v3

        官方程序中给出了读取VOC和COCO数据集的方法，假如我们已经有类VOC或者COCO数据集的自有数据集，可以通过继承Gluoncv中的数据读取类的方式来读取自己的数据集，并且保留所有属性。原始训练文件train_yolo3中的get_dataset函数如下所示，其中使用了VOCDetection和COCODetection类，我们以VOC为例。

        VOC采用的数据读取为VOCDetection类，定义方式如下所示，可以看到其中定义了类别name，并且有指定数据路径（root），因此我们可以继承VOCDetection类来满足需求。

        首先我们在训练文件中需要import VOCDetection类，假设我们自己的VOC格式的数据集种类为['1', '2','3', '4']，可以按照如下方式定义VOCLike类读取自己的数据。

        然后将训练文件中的get_dataset函数修改为如下所示，root参数可指定数据集路径，可根据需求指定splits中的名字，如splits=[(2007, 'trainval'), (2012, 'trainval')]等方式。

2. 修改网络输出类别

        Gluoncv提供在VOC和COCO上的预训练模型，因此我们可以方便地使用预训练模型在自己的数据集上微调参数。官方提供两种方法，第一种为get_model下VOC预训练模型，然后通过reset_class设置成自己需要的类别；第二种使用get_model中的cuctom直接设置成需要的类别，并复用VOC参数。

（1）使用VOC然后reset_class

        train_yolo3训练程序中有get_model部分，原始代码如下：

        其中get_model的参数pretrained_base表示加载imagenet上预训练的基础主干网络参数，如果想加载VOC上训好的检测模型参数，测需要将pretrained_base改为pretrained，在加载模型之后，需要使用reset_class函数更改预训练模型以满足自己数据集类别。

（2）使用cuctom，根据官方finetune_detection.py示例，效果和上面一样（未测试）。

        cuctom定义如下，可以发现实现和上面一样，也是根据transfer参数get_model预训练模型，然后reset_class。

        reset_class中的resue_weights参数，可以根据需要修改输出层类别数量，并且选择复用的参数。比如我们自己的数据集中有部分种类和VOC一样，那这部分输出层参数就可以直接复用VOC预训练模型的参数，其它不一样的类的输出分支重新初始化。再比如我们现在只想要一个检测行人的模型，如果模型中包含其它无用类，会使得模型有冗余，我们可以使用resue_weights参数将reset_class后的输出层直接复用VOC训练参数，将模型修改为只检测行人而不用重新微调。