使用darknet和darkflow训练YOLO物体检测模型

使用darknet和darkflow训练YOLO物体检测模型

借助darknet和darkflow这个2个开源项目，我们可以训练出Tensorflow Android Demo缺失的YOLO模型graph-tiny-yolo-voc.pb，并在Tensorflow Android Demo中使用。
并且可以使用自己的数据， 训练自己的物体检测模型，并在手机上运行。

[图片上传失败...(image-1f870e-1531928198416)]

首先需要下载或clone darkflow和darknet源码

git clone  https://github.com/thtrieu/darkflow
git clone https://github.com/pjreddie/darknet

Android demo on Tensorflow's here

1. 利用已经训练好的darknet/tiny-yolo-voc.weights生成pb，并在手机上运行物体检测Demo
   注意tiny-yolo-voc.weights是需要先下载的

flow --model cfg/yolo.cfg --load ../darknet/tiny-yolo-voc.weights --savepb

通过上面的命令就可以生成Android Tensorflow Demo能用的YOLO模型文件了，
把生成的built_graph\tiny-yolo-voc.pb 复制到tensorflow\tensorflow\examples\android\assets\tiny-yolo-voc.pb
，然后去tensorflow\tensorflow\examples\android\src\org\tensorflow\demo\DetectorActivity.java 修改YOLO相关的配置，
主要有下面几个

private static final String YOLO_MODEL_FILE = "file:///android_asset/tiny-yolo-5c.pb";
private static final DetectorMode MODE = DetectorMode.YOLO;

然后把apk安装到手机上，点击TF Detect，应该就可以看到能检测出VOC数据集的20类物体了。

2. 利用VOC数据集训练指定分类的物体检测模型
   首先下载好Pascal VOC2012数据集， 地址是http://host.robots.ox.ac.uk/pascal/VOC/voc2012/
   编辑darkflow/labels.txt， 加入想要的分类， 注意是在VOC2012的20类里面选择啊， 需要想要训练其它的分类， 就需要按照VOC的格式准备图片和annotation xml文件了，这个工作量会比较大，需要在图片上标注物体的矩形坐标。
   VOC数据集的物体分类如下

"aeroplane",
"bicycle",
"bird",
"boat",
"bottle",
"bus",
"car",
"cat",
"chair",
"cow",
"diningtable",
"dog",
"horse",
"motorbike",
"person",
"pottedplant",
"sheep",
"sofa",
"train",
"tvmonitor"

我们暂时只训练5类，在darkflow/labels.txt写入

car
pottedplant
person
bottle
tvmonitor

新建文件 darkflow\cfg\tiny-yolo-5c.cfg， 并复制darkflow\cfg\tiny-yolo-voc.cfg中的全部内容,
修改最后的[region]层中的分类数classes=5， 修改倒数第二层[convolutional]卷积层的卷积核数量filters=50， 计算方法是
change filters in the [convolutional] layer (the second to last layer) to num * (classes + 5). In our case, num is 5 and classes are 3 so 5 * (3 + 5) = 40 therefore filters are set to 40.

然后运行下面的命令做fine tune

CUDA_VISIBLE_DEVICES=1,2  flow --model cfg/tiny-yolo-5c.cfg --load /data5/zxt/darknet/tiny-yolo-voc.weights    --train --dataset "/data5/zxt/voc/VOCdevkit/VOC2012/JPEGImages" --annotation "/data5/zxt/voc/VOCdevkit/VOC2012/Annotations"    --gpu 2.0

# 评估checkpoint 1000
 flow --model cfg/tiny-yolo-5c.cfg --load -1

# 导出pb
flow --model cfg/tiny-yolo-5c.cfg --load -1 --savepb

# 测试效果, 查看sample_img/out下面生成的带检测框的图片，可以加入自己的测试图片
flow --pbLoad built_graph/tiny-yolo-5c.pb --metaLoad built_graph/tiny-yolo-5c.meta --imgdir sample_img/

修改Android Demo， 修改tensorflow\tensorflow\examples\android\src\org\tensorflow\demo\TensorFlowYoloDetector.java中的
private static final String[] LABELS = {, 改为新的分类。

然后就可以参考第一步把pb模型放到demo里面， 在手机上测试运行demo了。