tensorflow-yolov3从本地训练到服务器部署纯小白教程

本博客介绍的算法是对之前开源的tensorflow-yolov3版本做了许多细节上的改进的算法，想给小白一个训练手册， 步骤十分详细，特别适合新手入门serving端部署，有什么问题可以在本博客或者github提issues,下面是优化细节:

1 修改了网络结构，支持了tensorflow-serving部署,自己训练的数据集也可以在线部署,并给出了 docker+yolov3-api测试脚本

2 修改了ulits文件，优化了demo展示,可以支持中文展示,添加了字体

3 详细的中文注释,代码更加易读,添加了数据敏感性处理,一定程度避免index的错误

4 修改了训练代码，支持其他数据集使用预训练模型了，模型体积减小二分之一(如果不用指数平滑，可以减小到200多M一个模型，减小三分之二），图片视频demo展示 完都支持保存到本地,十分容易操作

5 借鉴视频检测的原理,添加了批量图片测试脚本,速度特别快(跟处理视频每一帧一样的速度)， 视频检测添加了fps测试显示

6 添加了易使用的kmeans-Anchors生成脚本以及各步操作完整的操作流程

Github地址

https://github.com/Byronnar/tensorflow-serving-yolov3/

第一部分 环境准备篇

首先要搭建 深度学习环境， 本博客主要介绍模型训练部署， 环境配置下面给出一些实用链接：

1. ubuntu16.04搭建cuda9.0+cudnn7.0.5环境，可参考：

https://blog.csdn.net/Bazingaea/article/details/86496571

2. Ubuntu18.04LTS下cuda10.0+cudnn7.5+TensorFlow1.13环境搭建，可参考：

https://yq.aliyun.com/articles/692995

3. 安装 git工具

sudo apt install git

第二部分： demo展示

1. 下载这份代码(本算法暂时是在ubuntu1804系统上实现(windows上理论上也可以使用，去除了命令行参数)， 先在终端里面cd到自己的项目文件夹，再运行下列代码：

$ git clone https://github.com/byronnar/tensorflow-serving-yolov3.git
$ cd tensorflow-serving-yolov3
$ pip install -r requirements.txt

注：也可以直接进入网址：https://github.com/Byronnar/tensorflow-serving-yolov3/ ,点击 项目右上角 Clone r download 直接下载项目。

2. 下载预训练模型放到 checkpoint文件夹里面

百度网盘链接:

https://pan.baidu.com/s/1Il1ASJq0MN59GRXlgJGAIw
密码：vw9x

谷歌云盘链接:

https://drive.google.com/open?id=1aVnosAJmZYn1QPGL0iJ7Dnd4PTAukSU4

再运行下列代码：

$ cd checkpoint
$ tar -xvf yolov3_coco.tar.gz
$ cd ..
$ python convert_weight.py
$ python freeze_graph.py

补充资源链接(已经转化好的模型,不需要运行python convert_weight.py):

百度网盘链接：https://pan.baidu.com/s/12y0vmvKtspWuNMfUHTbPpA                  
密码：6xa8

3. 转化成.pb文件，运行下列代码：

$ python image_demo_Chinese.py             # 中文显示
$ python image_demo.py                                # 英文显示
$ python video_demo.py # if use camera, set video_path = 0

中文检测结果展示:

4. 转化成服务器上可部署的 saved model格式，运行：

$ python save_model.py

5. 将产生的saved model文件夹里面的 yolov3 文件夹复制到 tmp 文件夹下面（ubuntu系统），再运行

$ docker run -p 8501:8501 --mount type=bind,source=/tmp/yolov3/,target=/models/yolov3 -e MODEL_NAME=yolov3 -t tensorflow/serving &


$ cd serving-yolov3

$ python yolov3_api.py

服务器调用结果展示:

6. 模型评估
   修改 config文件里面 的 # TEST options 部分

$ python evaluate.py
$ cd mAP
$ python main.py -na

工业检测数据集mAP：

第三部分：详细训练过程

2.1先准备好数据集,做成VOC2007格式,再通过聚类算法产生anchors（也可以采用默认的anchors，除非你的数据集跟voc相差特别大, 数据集可以用官方VOC2007）

$ python anchors_generate.py

2.2 产生训练数据txt文件

$ python split.py

train.txt 里面应该像这样:
xxx/xxx.jpg 18.19,6.32,424.13,421.83,20 323.86,2.65,640.0,421.94,20
xxx/xxx.jpg 48,240,195,371,11 8,12,352,498,14
image_path x_min, y_min, x_max, y_max, class_id x_min, y_min ,…, class_id
x_min, y_min etc. corresponds to the data in XML files

2.3 修改names文件（根据你数据集里面的类别来修改）

• [xxx_class.names]

person
bicycle
car
...
toothbrush

训练及准备工作:
2.4 修改 config.py 文件，主要根据显存大小，注意batch_size，输入尺寸等参数

$ python train.py
$ python freeze_graph.py

2.5 预测,修改 路径等相关参数:
修改 image_demo.py等文件

$ python image_demo.py

无人机图像检测结果：

2.6 产生pb文件跟variables文件夹用于部署:

1 Using own datasets to deployment, you need first modify the yolov3.py line 47

$ python save_model.py

2 将产生的saved model文件夹里面的 yolov3 文件夹复制到 tmp 文件夹下面，再运行

$ docker run -p 8501:8501 --mount type=bind,source=/tmp/yolov3/,target=/models/yolov3 -e MODEL_NAME=yolov3 -t tensorflow/serving &

$ cd serving-yolov3

$ python yolov3_api.py

接下来要做的:

1 修改backbone ,添加 mobilenetv2 版本

2 编写 Tensorflow tiny版本 提高实时性

3 编写 转换成 tensorflow lite 的脚本