Keras_Yolov3 实现人脸检测
目录
1. 实验环境的搭建
2. 人脸数据集的介绍及准备
3. 相关代码的修改及调整
4. 算法模型的fine-tuning
5. 模型检测结果
6. 图片的批量测试代码
一．实验环境的搭建
本次实验所需要的环境配置如下：
Python=3.5、tensorflow-gpu==1.4.0、Keras
环境的安装：
1. 创建虚拟环境(需安装anaconda)
conda create -n keras-yolo python=3.5
2. 启动虚拟环境，并且安装对应的实验环境
source activate keras-yolo
pip install tensorflow-gpu==1.4
pip install keras
pip install pillow
pip install opencv-python
pip install matplotlib
(为了加快package的安装速度，可在指令后面增加清华的source:
pip install ***** -i https://pypi.tuna.tsinghua.edu.cn/simple)
3. 将代码从github上下载下来保存至自己的project文件夹下
git clone https://github.com/qqwweee/keras-yolo3.git
4. 跑demo，测试环境是否搭建好
5. 从darknet官网下载yolov3.weights,将模型保存在keras-yolo3目录下
wget https：//pjreddie.com/media/files/yolov3.weights
6. 模型转换
cd ~/keras-yolo
python convert.py -w yolov3.cfg yolov3.weights model_data/yolo_weights.h5
7. 测试demo,运行代码并按照提示输入图片路径及名字即可测试
python yolo_video.py --images
4. 若能成功测试，则表示基本环境搭建成功；若有问题，则按照相关err来解决问题;
环境安装可参考github中project的需求来；
项目地址：https://github.com/qqwweee/keras-yolo3
二． 人脸数据集的介绍及准备
人脸数据集的介绍：在本次试验中，实验所采用的数据集：WIDERFace
数据集下载链接为：http://mmlab.ie.cuhk.edu.hk/projects/WIDERFace/
数据的下载
1. 数据集的下载
本实验使用了：WIDER_train.zip、wider_face_split.zip
2. 数据集的预处理(格式转换)
将数据集的格式转换至VOC数据集格式：
参考博客https://blog.csdn.net/minstyrain/article/details/77986262
(若有侵权，将立即删除，感谢博主的分享)
3. 在本次试验中，从数据集中拿出了1w张照片来进行试验
三．相关代码的修改及训练
1. 预训练模型的转换
从darknet官网下载darknet53.conv.74模型至keras-yolo文件夹下;
模型下载好后，重命名模型：
darkent53.conv.74修改为darknet53.weights
然后利用代码进行.h5模型的转换：
cd ~/keras-yolo
python convert.py -w darknet53.cfg darknet53.weights model_data/darknet53_weights.h5
2. 在model_data文件夹下新建face.txt文件，内容如下：
3. 修改train.py代码
主要修改的地方是的数据的读取路径以及自己命名的face.txt文件；
修改部分的代码：
annotation_path = 'path/to/your/train.txt'
log_dir = 'logs/your/logs/name'
classes_path = 'model_data/face.txt'
anchors_path ='model_data/yolo_anchors.txt'
在实验中，训练共分为两个阶段，第一阶段的训练是为了使loss稳定。实验中，batch_size根据自己硬件的条件来设定；epoch的数量看自己数据情况而设定；
4. 开始训练
python train.py
四． 模型的检测结果
1. 修改yolo.py代码(训练后最终的模型保存在log文件夹内)
需要修改的内容为：
"model_path": 'path/to/your/model.h5',
"anchors_path": 'model_data/yolo_anchors.txt',
"classes_path": 'model_data/face.txt',
2. 模型效果测试
输入指令：
python yolo_video.py –image
(启动后安装要求填写照片的路径及名字，example：***.jpg)
3. 测试效果图
五. 批量图片检测代码、保存检测结果图
#-*-coding: utf-8-*-
#Author: AIBC-MrH
'''
批量测试检测图片
'''
import os
from yolo import YOLO
from PIL import Image
def detect_img(yolo):
pic_temp = []
pic =os.listdir(test_dir)
for name in pic:
pic_temp.append(name)
for i in range(len(pic_temp)):
img = test_dir +'/' + pic_temp[i]
image = Image.open(img)
detect = yolo.detect_image(image)
#detect.show()
detect.save(target_dir + '/' + pic_temp[i])
yolo.close_session()
return detect
if __name__=='__main__':
test_dir = './test_face'
target_dir = './detect_results'
if not os.path.exists(target_dir):
os.mkdir(target_dir)
detect_img(YOLO())