YOLO-V3代码解析系列（一） —— 整体结构概述

一、总体概述

  本次的任务是检测人体背部区域，可以当作单类目标检测任务。由于正在研究yolo系列网络，因此借助这次实验，将yolo系列的网络结构，训练细节和代码实现深入理解和熟悉。
  该系列代码研究的为github上的tensorflow实现，链接如下：https://github.com/YunYang1994/tensorflow-yolov3.
  在上述代码的基础上，本次实验修改了分类数量(1类)和类别名称，训练了自己的数据集，为单类目标检测，并且根据自己的数据集重新生成了anchor数据。
  实验结果：经过测试，测试的score基本上都在0.96以上。

二、数据标注

标注工具：LabelMe
详细的安装和使用教程：https://blog.csdn.net/u014061630/article/details/88756644，该链接非常详细的介绍了如何安装和使用LabelMe，本文不再赘述。
标注数据保存为json文件，下图是在自己的数据集上标注结果，具体内容如下：

三、代码结构

./core/：
  backbone.py：darknet-53网络结构.
  common.py：网络的基本模块，比如卷积，残差，上采样等。
  config.py：训练和测试相关参数的设置文件。
  dataset.py：数据预处理类。
  utils.py：预测后的后处理函数。
  yolov3.py：网络结构定义。
./data/anchors/：保存的anchor文件，比如coco.anchors.txt如下：
$$10,13,16,30,33,23,30,61,62,45,59,119,116,90,156,198,373,326$$
./data/classes/：类别列表，比如voc.names如下，总共20类目标。如果是一类目标，则需写一个名字即可：

./data/dataset/：训练和验证数据文本。train.txt，每一行表示一条数据，分别为图片路径+名字，(xmin,ymin,xmax,ymax,class_id)，有多少类目标，则列举多少类，每一类以空格隔开，具体内容如下：

convert_weight.py：转化权重文件，与上述定义的网络结构一致。
frozen_graph.py：将ckpt文件转为pb文件。
evaluate.py：评测测试数据。
train.py：训练脚本。
image_demo.py和video_demo.py：加载pb文件，实际使用demo。