目录
训练
下载算法
下载.weights结尾的预训练模型，并将weight文件转为h5文件
修改类别。
Labelme标注的数据集转为yolov3训练的数据集。
执行Kmeans.py文件计算anchors。
修改train.py文件。
测试
修改yolo.py
修改yolo_video.py
摘要
YOLOv3是YOLO (You Only Look Once)系列目标检测算法中的第三版，相比之前的算法，尤其是针对小目标，精度有显著提升。在Pascal Titan X上处理608x608图像速度达到20FPS，在 COCO test-dev 上 mAP@0.5 达到 57.9%，与RetinaNet（FocalLoss论文所提出的单阶段网络）的结果相近，并且速度快4倍。
相比YOLOV2，YOLOV3的改进之处主要有两点：
多尺度预测 （类FPN）
更好的基础分类网络（类ResNet）和分类器
关于YOLOV3 的理解可以参照这两篇文章：
1、yolo系列之yolo v3【深度解析】
https://blog.csdn.net/leviopku/article/details/82660381。
2、目标检测网络之 YOLOv3
https://www.cnblogs.com/makefile/p/YOLOv3.html
训练
本地环境：TensorFlow 1.15.3
Python 3.7
Keras 2.1.5
下载算法
yolo v3 的算法版本比较多，我建议大家选用是qqwweee的keras版本，复现比较容易，代码相对来说比较容易理解。
github地址：https://github.com/qqwweee/keras-yolo3
下载.weights结尾的预训练模型，并将weight文件转为h5文件
下载地址：https://pjreddie.com/media/files/yolov3.weights。
新建weight文件夹，将下载的模型放进去。然后修改convert.py文件
将config_path、weightsPath和output_path这个三个参数删除。如下图：
修改main函数中的路径。
def _main(args): config_path = "yolov3.cfg" weights_path = "weight/yolov3.weights" assert config_path.endswith('.cfg'), '{} is not a .cfg file'.format( config_path) assert weights_path.endswith( '.weights'), '{} is not a .weights file'.format(weights_path) output_path = "weight/yolov3.h5"
修改完成后点击运行。
修改类别。
yolo默认使用的类别文件是coco_classes.txt，所以我们需要将此文件的类别修改为数据集的类别。本例使用的数据集有两个类别，分别是aircraft和oiltank。
Labelme标注的数据集转为yolov3训练的数据集。
增加labelme2txt.py文件
from os import getcwd import os import json import glob wd = getcwd() "labelme标注的json 数据集转为keras 版yolov3的训练集" classes = ["aircraft","oiltank"] image_ids = glob.glob(r"LabelmeData/*jpg") print(image_ids) list_file = open('train.txt', 'w') def convert_annotation(image_id, list_file): jsonfile=open('%s.json' % (image_id)) in_file = json.load(jsonfile) for i in range(0,len(in_file["shapes"])): object=in_file["shapes"][i] cls=object["label"] points=object["points"] xmin=int(points[0][0]) ymin=int(points[0][1]) xmax=int(points[1][0]) ymax=int(points[1][1]) if cls not in classes: print("cls not in classes") continue cls_id = classes.index(cls) b = (xmin, ymin, xmax, ymax) list_file.write(" " + ",".join([str(a) for a in b]) + ',' + str(cls_id)) jsonfile.close() for image_id in image_ids: list_file.write('%s.jpg' % (image_id.split('.')[0])) convert_annotation(image_id.split('.')[0], list_file) list_file.write('\n') list_file.close()
生成的train.txt内容如下：
每张图片是x1,y1,x2,y2 class 组成的字符串。
执行Kmeans.py文件计算anchors。
打开Kmeans.py文件，修改self.filename = "train.txt"，然后运行，计算的结果会直接覆盖到yolo_anchors.txt
修改train.py文件。
annotation_path = 'train.txt' classes_path = 'model_data/coco_classes.txt' anchors_path = 'model_data/yolo_anchors.txt'
model = create_model(input_shape, anchors, num_classes, freeze_body=2, weights_path='weight/yolov3.h5')
这几个文件的路径按照上面文件的存放位置和名称修改。
注意57行和76行的batch_size按照电脑的配置去修改。
完成上面的步骤就可以开始训练了，点击run，开始训练。
测试
修改yolo.py
mode_path 修改为最终模型的路径：
"model_path": 'logs/000/trained_weights_final.h5',
修改yolo_video.py
删除以下参数
parser.add_argument( '--model', type=str, help='path to model weight file, default ' + YOLO.get_defaults("model_path") ) parser.add_argument( '--anchors', type=str, help='path to anchor definitions, default ' + YOLO.get_defaults("anchors_path") ) parser.add_argument( '--classes', type=str, help='path to class definitions, default ' + YOLO.get_defaults("classes_path") ) parser.add_argument( '--gpu_num', type=int, help='Number of GPU to use, default ' + str(YOLO.get_defaults("gpu_num")) )1.
将image参数改为true
parser.add_argument(
'--image', default=True, action="store_true",
help='Image detection mode, will ignore all positional arguments'
)
修改detect_img的img路径
def detect_img(yolo):
while True:
img ="D:\keras-yolo3-master\LabelmeData/aircraft_4.jpg"
测试结果
本文实例：https://download.csdn.net/download/hhhhhhhhhhwwwwwwwwww/12621202
