基于Python的YOLOv3目标检测-含数据集.zip

### 部分实验效果(图片来着百度图片爬取)     ##### 本项目里有40类旗帜  ## 快速开始 #### 1. 下载本项目预训练 权重 - 权重1 ``` https://pan.baidu.com/s/1X08Mj2owTcOJQfsBEpf0YA ``` - 权重2 ``` https://pan.baidu.com/s/1MIBU41gW1x7aqgQhwglAcw ``` #### 2. 修改yolo.py中第24行权重路径 #### 3. 将需要检测旗帜图片放入sample文件夹中 #### 4. 运行检测 ``` python yolo_images.py ``` ## 训练 #### 训练自己的数据 无需使用 预训练的权重 （此方法适用于各类数据） #### step 1 - 使用labelImg对数据进行标记 - 得到xml文件，放置于./model_data/label_train/将图片数据放在于./model_data/train/ (建议图片宽高大于416，不然影响训练) - 将数据类别写入my_classes.txt中(本项目中name_classes.txt为自定义文件，因为数据标记时，标记的为类别id，为了方便检测时直接输出类别,自己数据预测时将yolo.py中的classes_path修改为自己的) #### step 2 - 执行xml_to_data.py 生成 kitti_simple_label.txt ``` python xml_to_data.py # 如果自己数据集 请根据自己数据进行更改代码 # 生成的kitti_simple_label.txt 格式为:图片path box,类别id box,类别id... ``` #### step 3 - k-means 聚类算法生成对应自己样本的 anchor box 尺寸 生成 my_anchors.txt ``` python kmeans.py ``` #### step 4 - 开始训练(建议epochs大于500，如果内存溢出可减小batch_size。其他参数，按照自己数据，自行修改。) ``` python train.py ``` ## 项目环境依赖 ``` tensorflow 1.13.1 Keras 2.2.4 h5py 2.8.0 opencv-python 4.0.0.21 numpy 1.16.2 Anaconda3 ```