yolo3-keras的源码.zip

# yolo3-keras yolo3-keras的源码，可以用于训练自己的模型yolov3以及yolov3-tiny ## 一、环境要求 - **Python：** 3.7.4 - **Tensorflow-GPU** 1.14.0 - **Keras:** 2.2.4 ## 二、快速使用： - 1.下载yolov3-keras代码 - 2.下载yolov3-keras权重文件[权重](https://pjreddie.com/media/files/yolov3.weights) 并将其放入根目录下 - 3.执行如下命令将darknet下的yolov3配置文件转换成keras适用的h5文件 `python convert.py yolov3.cfg yolov3.weights model_data/yolo.h5` `python convert.py yolov3-tiny.cfg yolov3-tiny.weights model_data/yolov3-tiny.h5` 模型文件对应说明如下： | 模型文件 | 说明 | |-------------------------------------|---------------------| | ep034\-loss6.105\-val\_loss6.205.h5 | 经过训练的模型 | | yolo\.h5 | YOLO 官方预训练模型 | - 4.运行预测图像程序 `python yolo_video.py --image` 在命令行输入图片地址`img/mask.jpg`，即可预测  ## 三、训练自身数据 - 1.使用VOC格式的数据进行训练 训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。 训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。 在训练前利用`voc2yolo3.py`文件生成对应的txt。 ```sh VOCdevkit -VOC2007 ├─ImageSets # 存放数据集列表文件，由voc2yolo3.py文件生成 ├─Annotations # 存放图片标签，xml 格式 ├─JPEGImages # 存放数据集中图片文件 └─voc2yolo3.py # 用来生成数据集列表文件 ``` - 2.生成YOLOV3所需数据 每一行对应其图片位置及其真实框的位置 再运行根目录`voc_annotation.py`，运行前需要将`voc_annotation`文件中classes改成你自己的classes。 - 3.在训练前可根据自身需要修改model_data里面的`yolo_anchors.txt`和`tiny_yolo_anchors.txt`，利用`kmeans.py`来生成，k=9，生成yolo_anchors；k=6，生成tiny_yolo - 3.在训练前需要修改model_data里面的`voc_classes.txt`文件，需要将classes改成你自己的classes。 - 4.修改`train.py`配置，通过修改`anchor_path`,从而选择使用yolov3训练还是yolov3-tiny训练 - 5.运行`train.py` 即可开始训练，训练好的模型存放在logs下。 ## 四、测试 修改根目录下`yolo.py`文件，修改`model_path`,`anchors_path`,`classes_path`替换成自己的路径 - 1.单张图片测试 `python yolo_video.py --image`,输入图片名称即可 - 2.电脑摄像头实时检测 `python yolo_video.py --input` 此外对应的yolo.py文件174行改为`vid = cv2.VideoCapture(0)`； - 3.测试本地视频 `python yolo_video.py --input` 此外对应的yolo.py文件174行改为vid = cv2.VideoCapture("视频路径+视频名+视频后缀名")； - 4.测试本地视频并且保存视频效果 `python yolo_video.py --output` 此外对应的yolo.py文件184行改为out = cv2.VideoWriter("视频路径+视频名+视频后缀名", video_FourCC, video_fps, video_size)； ## 五、注意： 一张图片最多只能识别20个对象的问题： - 1.训练时，要在yolo3文件夹下面的utils.py里，修改get_random_data()函数，有一个默认参数是max_boxes=20，改成很大的数值就行了。 - 2.检测时，要在yolo3文件夹下面的model.py里，修改yolo_eval()函数，有一个默认参数是max_boxes=20，改成很大的数值就行了。