tensorflow训练yolov3模型（检测雪人为例，自己的数据和标签，windows环境）

惯例先放效果

所有代码包含训练、测试图片视频打包在： 地址

 

下载代码：

git clone https://github.com/YunYang1994/tensorflow-yolov3

或者点此下载压缩包

 

环境配置：

配置了conda自然很方便

conda create -n yolov3 python=3.6
y
conda activate yolov3
cd 下载路径/tensorflow-yolov3
pip install -r ./docs/requirements.txt

没有也没关系（只要你不怕环境乱）

cd tensorflow-yolov3
pip install -r ./docs/requirements.txt

 

测试环境是否正常（可跳过）

下载预训练结果(coco)

下载，并解压到checkpoint目录

https://github.com/YunYang1994/tensorflow-yolov3/releases/download/v1.0/yolov3_coco.tar.gz

如果你用的linux，那也可以命令的方式

cd checkpoint
wget https://github.com/YunYang1994/tensorflow-yolov3/releases/download/v1.0/yolov3_coco.tar.gz
tar -xvf yolov3_coco.tar.gz
cd ..

转化coco预训练文件成pb文件

python convert_weight.py
python freeze_graph.py

 

运行看看（应该没问题了）

python image_demo.py
python video_demo.py # if use camera, set video_path = 0

 

=======环境没问题，下面正式开始训练=====

数据准备：

一堆图片（这里只有五百张左右）

 

图片对应的标签：（可以考虑labelme之类的工具手动标注）

格式：图片路径（空格）矩形框左上和右下角坐标（空格）标签（空格）下一个矩形框位置+标签

 

label.name里存储和标签对应的名字，例如这里就只有一个snowman，刚刚标签里也只有0

 

修改配置

修改./core/config.py里的配置路径

__C.YOLO.CLASSES = "./label.names" 
__C.TRAIN.ANNOT_PATH = "./yolo_snowman_train.txt" 
__C.TEST.ANNOT_PATH = "./yolo_snowman_test.txt"

 

显存不够的同学可以适当减少训练batch大小（__C.TRAIN.BATCH_SIZE ）

 

训练

从coco数据集预训练结果进行迁移学习：

python convert_weight.py --train_from_coco

python train.py

 

如果数据量够，不想从头训练，直接

python train.py即可

 

 

开始训练：

 

tensorboard看一下效果：

tensorboard --logdir=./data

浏览器打开 http://localhost:6006/#scalars

很稳妥

 

 

实测

挑选一个合适的训练文件以及修改输出pb文件名字运行freeze_graph.py

pb_file = "./snowman.pb"

ckpt_file = "./checkpoint/yolov3_test_loss=3.2343.ckpt-37"

 

python snowman_test.py

效果如图：（没错，和一开始的不是同一段，哈哈哈）

提前祝大家圣诞节快乐，233

 

雪人数据来源：

https://www.learnopencv.com/training-yolov3-deep-learning-based-custom-object-detector/

代码来源：

https://github.com/YunYang1994/tensorflow-yolov3