Win10+keras的YOLOV3的复现+自己的数据集

1、代码下载：下载yolov3代码：https://github.com/qqwweee/keras-yolo3 ，并解压缩之后用pycharm打开。

2、下载权重：https://pjreddie.com/media/files/yolov3.weights

3、生成模型：将darknet下的yolov3配置文件转换成keras适用的h5文件：

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

4、运行预测单张图像程序

python yolo_video.py --image

5、训练VOC2007，可以将自己的数据集制作成VOC2007格式：

放置：D:\demo\keras-yolo3-master\VOCdevkit\VOC2007\四个标准的文件夹

 

6、在voc_annotation.py需改你的数据集的类别：修改成自己的类

python voc_annotation.py

生成3个文件：三个新的不同的txt文件：2007_train.txt; 2007_test.txt; 2007_val.txt

7、运行Kmeans.py生成新的锚文件yolo_anchors.txt，并将其复制到model_data文件夹下

8、修改yolo3.cfg文件：

 filter：3*（5+len（classes））我这里只有一个类，所以filter=18
                 
 classes:你要训练的类别数（我这里是训练1类） 
                  
 random：原来是1，显存小改为0

重新运行 python convert.py -w yolov3.cfg yolov3.weights model_data/yolo_weights.h5

9、修改model_data下的voc_classes.txt，coco_classes.txt 为自己训练的类别

10、 修改train.py代码（用下面代码直接替换原来的代码） 

epoch=500,然后loss=14左右

代码参考：https://blog.csdn.net/u012746060/article/details/81183006

10、logs/000/目录生成trained_weights.h5

11、测试单张图片：python yolo_video.py --image

model_path修改为model_data/trained_weights.h5，我是将其训练好的模型复制到该文件夹下。

12、测试结果：

第一张单个鱼图的置信度低，有一张是在网纱下面的病鱼没有检测到；还有一张是随便一张人像图，就能检测到，其实不是鱼，是额头。

 

13、再次增加epoch，再次增加数据集，负样本数据集？？？？

 

补充说明：

1、在台式机电脑上的ssd版本（4444ssd.pytorch-master - 副本），是0.4.1版本，其中train.py可以使用，但是eval.py和test.py无法使用。

2、keras的python版本：

1、数据放置：

当前文件夹的VOCdevkit文件夹下放置：

运行VOC2007文件夹下的yxfyxftxt.py文件，生成4个有用的txt文件。训练集80%，测试集20%。

2、运行voc_annotation.py，生成：三个新的不同的txt文件：2007_train.txt; 2007_test.txt; 2007_val.txt

3、运行Kmeans.py生成新的锚文件yolo_anchors.txt，并将其复制到model_data文件夹下

4、运行 python convert.py -w yolov3.cfg yolov3.weights model_data/yolo_weights.h5

5、修改model_data下的voc_classes.txt，coco_classes.txt 为自己训练的类别

6、运行traintrain.py, 设置epoch=10000,
生成的模型文件在logs/000文件夹下，把他复制到model_data文件夹下，然后就可以了

修改模型名字：model.save_weights(log_dir + 'yxftrained_weights.h5')

7、测试单张图片：python yolo_video.py --image 

修改yolo.py中的相关参数
model_path修改：model_data/trained_weights.h5

将图片放置在当前文件夹中 识别

8、当epoch=10000时，运行结果好很多了。

 

 

 

 

 

 

主要参考：
https://blog.csdn.net/u012746060/article/details/81183006

https://blog.csdn.net/u012746060/article/details/81183006