手把手教物体检测——yolov3

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】

yolo系列之yolo v3【深度解析】_木盏-CSDN博客_yolo3

。

YOLOV3的整体结构

2、目标检测网络之 YOLOv3

目标检测网络之 YOLOv3 - 康行天下 - 博客园

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")) )

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：keras-yolo3-master.rar-深度学习文档类资源-CSDN下载

图像处理 机器学习

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。