深度学习目标检测之YOLOv3实战（一）keras原demo复现

怀着异常忐忑的心情，写下第一篇博客，记录一下自己在图像识别方面的心路历程，与大家分享共勉，交流进步。
在寒假放假的最后一天里，把在深度学习实现的第一个模型YOLOv3，从环境配置到原模型复现再到训练自己的数据，全部过程记录下来，方便入门的同学，也希望自己在总结中得到进步。
关于YOLOv3的原理及模型的介绍我在后面的文章会进行更新，这里讲的主要是应用实战，直接上重点。

转载请注明出处

效果图镇住：

环境配置

运行的环境如下，显卡是GTX960M，内存16G，训练一般在晚上跑，没多少感觉，视频实时检测一般在6-8帧，稍微有些卡顿，但用于学习还是勉强能够接受。
环境配置过程中，会出现各种版本之间不相容的问题，出现各种报错，大家可以尽情尝试。
强烈建议大家一定要配置GPU进行训练，否则，cpu的龟速会让你怀疑人生

        Windows 10
        Visual Studio 2017
        Python 3.6.0
        Opencv 3.4.1
        Gpu 9.0 + cudnn 7.0
        Keras 2.2.0
        Tensorflow 1.6.0 -- gpu
        Anaconda3

框架及权重下载

YOLOv3框架：https://github.com/qqwweee/keras-yolo3
YOLOv3模型权重： https://pjreddie.com/media/files/yolov3.weights

进行下一步的前提是，你必须确定环境配置没有问题，后面我会专门写一篇文章来记录环境配置的相关步骤及问题。

`

原代码复现

第一步 ：
在Vs中，新建项目，在原有python程序上建立，选择下载好的Yolov3的框架文件夹，进行添加。将下载好的Yolov3的权重粘贴复制进项目，完成后页面如下：

第二步：h5文件的转换
因为使用的是keras的框架，所以它支持读取的权重格式为.h5，而下载后的权重为.weights，所以进行测试前需要将weights模型转换成.h5模型，运行demo中convert.py。一定要把下载好的weight权重放进项目中，在目录下cmd输入命令
python convert.py yolov3.cfg yolov3.weights model_data/yolo.h5运行，过程如下，结束后会在model_data下形成.h5文件。

第三步：图片及视频检测
打开yolo.py，修改model_path、anchors_path、classes_path等路径，未防止出现不必要的报错，强烈建议大家使用绝对路径。在demo的score与iou根据识别效果可进行相应修改，score为置信度，值越大检测到的物体越少，准确度越高，iou设置检测框的重合度，值越大，框越多，一个物体上被多次框选的可能性就越大。
图片尺寸不需要进行修改，因为框架中已经写入了自动对图片进行统一尺寸的函数。
在项目cmd下输入以下命令进行图像检测：
图片：
yolo_video.py --image
运行后会提示输入图片，将所需要检测的图片复制到项目下，输入图像名即可，或者输入图片的绝对路径进行检测。识别效果如下：

视频：
将视频复制到项目下，或者输入绝对路径
yolo_video.py --input 视频名

单类物体识别

ok，到此一个初步的yolo框架已经调试完成，可以进行80类常用物品的识别，可以满足日常学习的识别需要。
与此同时，80类物体的识别也带来了困扰，如果任务只是需要对单类物体的识别，该怎么去进行代码的编写呢。
其实这个问题很简单，大家在后续学习中随着对代码的深入了解，很快就能明白其中的道理，这里我也就不卖关子，你只需要在yolo.py中加入一个判断语句，只输出所需类的label即可。修改代码如下：
yolo.py中 detect_image函数：（应该在第130行左右，因为修改过内容，确切行数有点不确定）

  for i, c in reversed(list(enumerate(out_classes))):
        predicted_class = self.class_names[c]
        #判断是否有person这一类，只选择person
        if predicted_class != 'person':
            continue

与镇贴的图片对比
只检测人哦

整个框架已经搭建完成，基本可以完成初步的测试识别的工作，下一篇文章我会讲一下如何用自己的训练数据进行训练并识别。
收拾东西准备放假，欢迎留言，交流进步。