深度学习下的目标检测算法——TensorFlow 2.0下的YOLOv3实践

本文主要包含如下内容：

• 修改qqwweee/keras-yolo3(目标检测算法YOLOv3的一个Keras版本的优秀实现)，将其修改为tf.keras为主导的，并修订不兼容的接口和逻辑，使其支持TensorFlow 2.0版本
• 实践修改后的YOLOv3算法
• 对实践结果的简单分析

修改后的项目 GitHub：
tf2-keras-yolo3 (https://github.com/AaronJny/tf2-keras-yolo3)

转载请注明来源：https://blog.csdn.net/aaronjny/article/details/103658254

---

前言

说到目标检测，YOLO系列算法可以算是颇负盛名。目标检测相关的算法有不少，而YOLO因其识别速度快而出名，常被用于实时目标检测场景中。今天，我们就来实践一下YOLOv3算法。

因为YOLO原理我是清楚的，又觉得实现起来太麻烦了，所以本来想着就不自己造轮子了，直接从GitHub上找一个优秀的开源实现，拜读一下代码，然后调试跑通结束。但没想到，最后还是得动手写（或者说改？）代码……

因为我主要使用的深度学习框架是TensorFlow和Keras，所以直接去找了算法的Keras实现。然后就找了qqwweee/keras-yolo3，GitHub上4928 star。先来读一下它的README文件：

文档上说的很清楚，那就跟着Quick Start来，首先下载预训练好的权重文件，然后通过convert.py脚本构建模型，并将权重转成Keras版本的。到这里都没什么问题，然而当尝试执行测试脚本yolo_video.py时，问题出现了：

为了测试算法，我随便从网上下载了一个视频，然后调用脚本进行测试。根据错误提示来看，是因为我用的是TensorFlow 2.0，而TensorFlow 2.0与1.x版本的差别很大，删减、调整了很多接口，并且由于Eager execution的出现，编码习惯和逻辑也有所变更，故无法兼容。看了一下README后面的内容，能看到作者当时的测试环境如下：

这个项目是很久之前写的了，上一次更新已经是一年前了，所以与新版本的框架无法兼容也在意料之中。我使用了一个和作者相同的虚拟环境进行测试，是没有问题的，正常可用。但大家毕竟要往前走嘛，我也不能换TensorFlow 1.6进行开发，于是就萌生了修改这个项目，让它支持TensorFlow 2.0的想法，顺便也能对YOLOv3的实现有更深的理解。

修改qqwweee/keras-yolo3 源码

那就搞吧，我先fork了项目，然后通读了一遍项目源码，确定修改应该是没什么问题的，毕竟Keras是使用TensorFlow做计算引擎的，并且TensorFlow 2.0中的tf.keras与最新版本的Keras的接口是保持一致的。把代码clone下来，开始改代码，主要的修改如下：

• 使用tf.keras系列接口，代替keras下的系列接口
• 使用tf下的系列接口、和tf.keras.backend下的系列接口，替代keras.backend下的系列接口
• 修改部分基于TensorFlow 1.x版本的接口和逻辑，使项目支持TensorFlow 2.0（比如删除tf.get_session、sess.run、tf.placeholder之类的写法，使用eager execution的写法替代）
• 修改原项目部分命令行参数错误

修改后的代码已经push到GitHub上，更多信息请参见tf2-keras-yolo3 (https://github.com/AaronJny/tf2-keras-yolo3)。因为是fork过来的，所以修改细节可以直接参考commit记录。

已经修改完毕，让我们测试一下代码能否正常运行。下面使用tf2-keras-yolo3做实践演示。

演示使用tf-keras-yolo3进行目标检测

1. 从GitHub上clone tf2-keras-yolo3 的代码。

git clone https://github.com/AaronJny/tf2-keras-yolo3

等待clone完成：

正克隆到 'tf2-keras-yolo3'...
remote: Enumerating objects: 5, done.
remote: Counting objects: 100% (5/5), done.
remote: Compressing objects: 100% (4/4), done.
remote: Total 161 (delta 1), reused 4 (delta 1), pack-reused 156
接收对象中: 100% (161/161), 158.13 KiB | 0 bytes/s, 完成.
处理 delta 中: 100% (75/75), 完成.

2. 切换到项目目录下，并下载预训练好的权重。

cd tf2-keras-yolo3/
wget https://pjreddie.com/media/files/yolov3.weights

模型大小为237M，等待下载完成：

--2019-12-22 20:40:20--  https://pjreddie.com/media/files/yolov3.weights
正在解析主机 pjreddie.com (pjreddie.com)... 128.208.4.108
正在连接 pjreddie.com (pjreddie.com)|128.208.4.108|:443... 已连接。
已发出 HTTP 请求，正在等待回应... 200 OK
长度：248007048 (237M) [application/octet-stream]
正在保存至: “yolov3.weights”

yolov3.weights              100%[================================================>] 236.52M  3.61MB/s    in 63s     

2019-12-22 20:41:24 (3.74 MB/s) - 已保存 “yolov3.weights” [248007048/248007048])

3. 然后通过convert.py脚本构建模型，并将权重转成Keras版本的。

python convert.py yolov3.cfg yolov3.weights model_data/yolo.h5

等待转换：

...
Saved Keras model to model_data/model.h5
Read 62001757 of 62001757.0 from Darknet weights.

4. 使用yolo_video.py脚本进行验证。

首先，获取一个视频，任何渠道不限，从网上下载或者自己拍摄都行，把它复制到项目目录下。为了方便，我把它重命名为video.mp4。然后使用yolo_video.py脚本进行验证：

python yolo_video.py --input video.mp4

脚本运行后，开始对视频逐帧进行识别和输出，形成了一个加上了标记框的新视频。我从输出结果里面截了张图片：

能够发现，FPS只有4，很低，后面我会分析原因，这里先跳过。这个脚本除了对视频进行目标检测外，也可以直接对图片进行处理，我从网上找了一张常用在目标检测演示里的图片：

为了演示方便，也把它放到了项目目录下，重命名为demo.jpg。先输入如下命令，进入图片检测模式：

python yolo_video.py --image

然后等待模型加载。当模型加载成功后，会出现提示，要求输入待检测的图片名称：

Input image filename:

这时，我们输入demo.jpg，并回车。程序会输出加了标记框的demo图片：

OK，演示部分到此为止。这些都是建立在预训练好的权重上进行的，可能你想训练自己的目标检测模型，去检测其他的东西，自然也是可以的。参考README中的Training部分说明即可，训练耗时，这里我就不演示了，有兴趣的可以自行尝试。

下面补上刚才没有展开的结果分析。

对识别结果的分析

前面对视频进行目标检测时，我们发现输出的视频FPS很低，只有4，这是远远达不到实时目标检测的水平的。

观察算法执行时的控制台输出，能够发现，对一帧图片进行目标检测约需要260ms左右（硬件环境：笔记本 GTX 1060），有点慢了。看了原项目的README，原作者qqwweee大佬认为，可能是PIL拖慢了速度，原内容如下：

4. The speed is slower than Darknet. Replacing PIL with opencv may help a little.

但我不这么觉得，我进行了测试，PIL在整个过程中并没有明显的长耗时。我对一次目标检测过程中的各个代码块分别进行了耗时统计，发现主要耗时在如下代码块，耗时约170ms左右：

    for c in range(num_classes):
        class_boxes = tf.boolean_mask(boxes, mask[:, c])
        class_box_scores = tf.boolean_mask(box_scores[:, c], mask[:, c])
        nms_index = tf.image.non_max_suppression(
            class_boxes, class_box_scores, max_boxes_tensor, iou_threshold=iou_threshold)
        class_boxes = K.gather(class_boxes, nms_index)
        class_box_scores = K.gather(class_box_scores, nms_index)
        classes = K.ones_like(class_box_scores, 'int32') * c
        boxes_.append(class_boxes)
        scores_.append(class_box_scores)
        classes_.append(classes)

根据代码来看，这段主要是对于每一种class，分别进行非极大值抑制。训练的可检测类别为80种，也就是说循环体要计算80次。后面有时间了，可以考虑能否将此段代码改写为并行计算形式，以提高速度（计算时显卡使用率只有25%左右，说明并行计算不充分）。

当然了，毕竟我用的只是笔记本上的GTX 1060这种弱鸡显卡，换用更好的显卡也可以进一步提升检测效率（从单个计算单元的性能考虑，如果单个计算单元的计算性能提高了，哪怕只使用了25%的计算单元，整体性能可能也是有提升的，但不如并行更有效）。

除了提高算法效率和显卡性能外，想要达到实时目标检测的目的，还有一种取巧的方法——对视频进行采样。

举个例子来说，假设是对摄像头输入的视频进行目标检测，如果视频的每一帧都进行检测，算法的性能无法满足要求。但我们可以每隔若干帧进行一次检测，比如10帧或20帧（这取决实际应用场景，当视频中目标的变化速度越慢，采样的频率就可以越低，间隔的帧数就可以越多。比如视频中只有行人，和视频中只有行驶中的汽车，采样的频率肯定是不相同的），中间的帧数忽略。只要采样的频率设置的合适，对实际的应用场景影响其实不大，进而在满足计算时间的限制的同时，尽量减少甚至消除对实际任务的不良影响。

结语

好了，如上就是本篇文章的全部内容，希望对你有所帮助。

如果你喜欢这篇文章的话，麻烦给点个赞呗～

菜鸟一只，如有纰漏之处，请大佬们指正，欢迎各位大佬拍砖～

参考

qqwweee/keras-yolo3