【膜拜大神】Tensorflow+YOLO v3训练自己的数据集合（TF-Slim）-下
做个快乐的搬运工~
在此立下flag：等找到实习我就去跑一跑代码，认真读程序，认真的，真的……
----------------------------------------------------------------------------------------------------------------------------------------------------------------
译自：
YunYang1994/tensorflow-yolov3: pure tensorflow Implement of YOLOv3 with support to train your own dataset
上篇：
【膜拜大神】Tensorflow实现YOLO v3（TF-Slim） - haoqimao_hard的博客 - CSDN博客
划重点：如果我这样涉嫌侵权，请看到的读者提醒我或者联系我删除！！！
第1部分 简介
在Tensorflow（TF-Slim）中实现了YOLO v3，该灵感来自PawełKapica。完整的细节在本文中。在此项目中，我们涵盖了以下几个部分：
- YOLO v3架构
- 权重转换器（用于将加载的COCO权重导出为TF的checkpoint）
- 基本demo
GPU和CPU都支持的非极大值抑制- 训练流程
- 计算COCO mAP
此教程允许您快速了解YOLO 。
第2部分 快速入门
1.下载文件包
git clone https://github.com/YunYang1994/tensorflow-yolov3.git2. 安装依赖项
cd tensorflow-yolov3
pip install -r ./docs/requirements.txt3. 将加载的COCO权重导出为TF checkpoint（yolov3.ckpt）和 frozen graph（yolov3_gpu_nms.pb）。yolov3的权重可以从这里下载：yolov3.weights，下载后将其放入./checkpoint目录中
python convert_weight.py --convert --freeze4. 此时你会发现./checkpoint目录下多了一些.pb文件，运行demo脚本：
python nms_demo.py
python video_demo.py # if use camera, set video_path = 0
第3部分 训练自己的数据集
需要三个文件如下：
图片路径及标签信息文件dataset.txt：
xxx/xxx.jpg 18.19 6.32 424.13 421.83 20 323.86 2.65 640.0 421.94 20
xxx/xxx.jpg 55.38 132.63 519.84 380.4 16
# image_path x_min y_min x_max y_max class_id x_min y_min ... class_id 预设anchor文件anchors.txt
0.10,0.13, 0.16,0.30, 0.33,0.23, 0.40,0.61, 0.62,0.45, 0.69,0.59, 0.76,0.60, 0.86,0.68, 0.91,0.76类别名class.names
person
bicycle
car
...
toothbrush3.1 训练浣熊数据集
（1）训练
为了帮助大家了解训练过程，我做了这个pipline的demo。浣熊数据集只有200个图像（训练180个，测试20个），我在./scripts文件夹下保存了一个shell脚本，可以让你获取数据并进行训练！
sh scripts/make_raccoon_tfrecords.sh
python show_input_image.py # show your input image (optional)
python kmeans.py # get prior anchors and rescale the values to the range [0,1]
python convert_weight.py --convert # get pretrained weights
python quick_train.py
tensorboard --logdir ./data（2）测试和评估
正如你在tensor board中看到的那样，如果数据集太小或者训练时间太长，模型会开始过拟合，并从训练数据中学习不适用于测试数据的模式。
python convert_weight.py -cf ./checkpoint/yolov3.ckpt-2500 -nc 1 -ap ./data/raccoon_anchors.txt --freeze
python quick_test.py
python evaluate.py如果仍然不熟悉训练流程，可以到此处与作者进行讨论。
3.2 训练其他数据集
（1）下载VOC PASCAL 数据
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar（2）下载COCO trainval和测试数据
wget http://images.cocodataset.org/zips/train2017.zip
wget http://images.cocodataset.org/annotations/annotations_trainval2017.zip
wget http://images.cocodataset.org/zips/test2017.zip
wget http://images.cocodataset.org/annotations/image_info_test2017.zip 第4部分 为什么YOLO算法如此神奇？
YOLO代表 You Only Look Once，它用CNN学习的特征来检测物体。虽然我们已成功运行这些代码，但我们应该了解YOLO的原理。
题外话：关于yolov3原理的文章，网上也有很多了，相信大家也是了解了才来这里的哈哈
4.1 anchor聚类
本文建议在边界框形状上使用聚类来找到适合数据的anchor。更多细节见这里
4.2 结构细节
在这个项目中，我用了预训练权重。COCO数据集中有80个类， 1到80之间的每个整数表示相应的类标签。如果c=3，则分类对象是 car。由CNN学习的图像特征被传递到分类器和回归器上进行检测（边界框坐标，类别标签等）。详细信息请参见下图。（感谢Levio）
4.3 神经网络输入输出
- 输入：[None，416,416,3]
- 输出：矩形框中存在某目标的置信度，bounding box的位置和大小以及被检测到的目标类别
(Rx, Ry, Rw, Rh, Pc, C1..Cn)。如上所述，bx, by, bw, bh代表bounding box的信息，Pc是置信度，n=80，即最后80个数字各自是对应类的概率。
4.4 使用分数阈值进行过滤
输出结果可能包含几个误检或重叠的bounding box，如果输入图像大小为[416, 416, 3]，将获得(52*52+26*26+13*13)x3=10647框，因为YOLO v3使用9个anchor进行检测。（每个比例三个）。减少这些框的第一个方法是按分数阈值过滤它们。
输入参数：
boxes：[10647,4]scores：[10647, 80]，包含80个类的检测分数。score_thresh：可变值，去掉分数低的框
# Step 1: Create a filtering mask based on "box_class_scores" by using "threshold".
score_thresh=0.4
mask = tf.greater_equal(scores, tf.constant(score_thresh))4.5 非极大值抑制
即使通过阈值过滤后，仍然会有很多重叠的框。
第二种方法是非极大值抑制。
- 舍弃所有
Pc <= 0.4的框 - 如果还有剩余的框：
- 选择
Pc最大的那个框 - 舍弃与上一步框的
IOU>=0.5的框
- 选择
在tensorflow中实现非极大值抑制：（更多细节见这里）
for i in range(num_classes):
tf.image.non_max_suppression(boxes, score[:,i], iou_threshold=0.5) 这是一个非极大值抑制的例子：在输入时，函数接收4个重叠的边界框，输出只返回一个
欢迎与我（原作者）讨论。
第5部分 其他实现
- YOLOv3_TensorFlow
- Implementing YOLO v3 in Tensorflow (TF-Slim)
- Object Detection using YOLOv2 on Pascal VOC2012
- Understanding YOLO
- YOLOv3目标检测有了TensorFlow实现，可用自己的数据来训练
- 学员分享 | 小哥哥和用YOLOv3做目标检测的故事「文末送课」
- 目标检测|YOLOv2原理与实现(附YOLOv3)
- YOLOv2は、2016年12月25日時点の、速度、精度ともに世界最高のリアルタイム物体検出手法です。
- 知乎专栏-目标检测yolov2