完整YOLOv3流程

原作者 : YunYang1994

论文： YOLOv3

环境： win7 + anaconda + python3.6 ( 建议用anaconda，方便一些)

下载代码之前，请先装好环境和相关依赖。

pip install -r docs/requirements.txt

1.github下载YOLOv3的tensorflow实现代码。

git clone [email protected]:sowei728/tensorflow_for_YOLOv3.git

2.下载YOLOv3的初始权值放到checkpoint文件夹中。

wget https://pjreddie.com/media/files/yolov3.weights

windows 没有wget命令就直接找个浏览器把URL输进去就好了

3.标注自己的VOC格式数据。

使用labelImg脚本，下载地址： http://tzutalin.github.io/labelImg/

脚本使用非常简单，自己看看就会了，最后脚本生成的xml文件放入dataset文件夹的anno文件夹中，原jpg的图片放入images文件夹中

4. 将xml文件中的标注信息汇总到txt中。

自己新建3个txt文件：

labels.txt  	存放所有图片的标注信息

train.txt  	存放训练图片的标注信息（总图片的80%）

test.txt  	存放测试图片的标注信息（总图片的20%）

文件内容：(以空格隔开)

图片路径 x1min y1min x1max y1max cls1_id x2min y2min x2max y2max cls2_id	........

运行脚本即可：

python scripts/load_xml_into_txt.py

5.将train.txt和test.txt转化为train.tfrecords和test.tfrecords文件。

python convert_tfrecord.py --dataset_txt ./apple_dataset/train.txt --tfrecord_path_prefix ./apple_dataset/apple_train

python convert_tfrecord.py --dataset_txt ./apple_dataset/test.txt  --tfrecord_path_prefix ./apple_dataset/apple_test

apple_test.tfrecords 和 apple_train.tfrecords会生成在dataset目录下

6. 查看文件标注有无问题。

python show_input_image.py 

如果正常出现图像及标注信息则代表文件标注无问题

7.kmeans求出k个anchor box的长宽。

python kmeans.py  

会输出准确率和k个anchor box的长宽信息，本实验中确定的k值为9

长宽信息需要填入到data/apple_anchors.txt中

8.转化yolov3.weights为ckpt模型权值。

python convert_weight.py --convert

9.训练模型，保存模型到checkpoint文件夹中。

python quick_train.py

10. 将模型格式转化为pb格式。

python convert_weight.py -cf ./checkpoint/yolov3.ckpt-2500 -nc 5 -ap ./data/apple_anchors.txt --freeze

这里面的2500表示实际模型的迭代次数，要根据实际模型来更改

5表示具体的分类总数

具体分类信息见data/apple.names文件

11.模型对单张图片进行测试。

python quick_test.py

12.模型对整体数据集的精度和召回率进行评估。

python evaluate.py

evaluate1.py是我根据我论文重写的一个评估函数，有兴趣可以和我讨论。