windows10 keras下的yolov3实现之报错处理方法

Yolov3是目前是目标检测中检测速度最快的算法之一，前作v1和v2版本版本虽然检测速度快，但是对小物体的识别不擅长，精度方面不及RCNN系列，而v3得横空出世，改进了很多问题，在精度和速度方面得到了很好的统一。

关于yolov3可以参考以下博文

yolo系列之yolo v3【深度解析】

本文参考以下博文

windows10+keras下的yolov3的快速使用及自己数据集的训练，实现了windows10+keras下的yolov3的快速使用及自己数据集的训练，具体内容大家可以直接到原文查看，这里记录一些我跟随作者脚步踩到的坑和一些错误处理方法。

 

1、环境配置

环境配置最需要的注意的就是就是版本，一开始我全部用最新的，比如tensorflow2.0，keras2.2.4，发现出了一系列问题，所以后来我就把tensorflow版本设为1.14，keras版本设为2.1.5，其他的如PIL、numpy的安装就大家自己查漏补缺了，使用pip install即可，由于我使用setting的project interpreter除了点问题，我一般都是直接在pycharm的terminal中直接写指令下载的。

如果版本没装对，比如使用tensorflow2.0的话，可能会报错module 'tensorflow' has no attribute 'get_default_graph'、`get_session` is not available when using TensorFlow 2.0，反正没有模块什么的错误一般是版本问题。

其次用gpu运行的时候可能会遇到与cuda相关的错误，一般情况下直接查看NVIDIA控制面板，点击系统信息，点击组件，查看以下内容：

然后下载与之对应的CUDA Toolkit，我之前下的是10.1，后来发现版本有点高，换成了10.0。然后下载cuda 10.0对应的cuDNN，下载这个需要先注册一个帐号，填一些乱七八糟的信息，总之下载对应版本就行。

 

2、运行预测图像程序无输出

这一步是作者写错了，yolo.py运行并没有结果，需要运行的是yolo_video.py，直接右击运行会报错OSError: Couldn't open webcam or video，我寻思着应该是需要添加导入图片的路径，否则他就回到系统调用摄像头，所以正确的方法是，在pycharm控制台输入python yolo_video.py --image指令，即可成功运行。记得放一张测试图片到项目目录中，然后直接输入文件名即可。

3、LabelImg安装配置

关于生成Annotation下的文件，安装工具labelImg，原文是从github上下载的文件运行，其实有对应的exe版本，大家可以自行下载。我们说一下安装这个标注工具出现的问题。

还是那句话，版本要对应。安装这个软件需要以下工具包：pyqt5,ptqt5-sip, lxml，这边建议如果有问题，版本修改为pyqt5为5.13，ptqt5-sip为12.7.0，lxml为4.4.1，安装的时候pip install pyqt==5.13即可。这样可以解决ImportError: DLL load failed: 找不到指定的模块问题解决的错误。

Could not install packages due to an EnvironmentError: [WinError 5] 拒绝访问错误只需要更新指令中加上--user即可

到LabelImg目录中去使用pyrcc5命令的时候，可能会报错ModuleNotFoundError: No module named 'libs.resources'，解决方案：将LabelImg-master中的resources.py复制到lib文件中，然后使用python labelImg.py打开改程序。

关于该标注程序LabelImg，是一个导入图片之后，我们人工圈出图中目标类别，并保存的一个东东，开头提到的文章作者也是自己建立图片集进行测试，正常情况下会用分类好的图片和模型，这里不提。

4、训练错误

开始train的时候，报错FileNotFoundError: [Errno 2] No such file or directory: 'E:\\zj_yolov3\\keras-yolo3-master/VOCdevkit/VOC2007/JPEGImages/00014.jpg，我一开始也不知道为啥，路径没问题，文件名好像，好吧，我把工程目录里的JPEG写成了JEPG，如果找不到真的是路径的问题，大家自查。在使用Keras-YOLO v3训练自己的数据集时出现了module ‘keras.backend’ has no attribute 'control_flow_ops’错误，请按照上面修改keras版本即可解决。

 

报错Resource exhausted: OOM when allocating tensor with shape[10,26,26,256] and type float on /job:localhost/replica:0/task:0/device:CPU:0 by allocator cpu，资源用完了，主要是楼主用的cpu跑的例程，可以加入os.environ['CUDA_VISIBLE_DEVICES']='2'，在网上得知，出现这种错误的原因可能是显存空间不够，这有可能是使用的batch_size过大或者显卡被其他服务占用引起的。也有说可以修改cfg文件中的subdivisions，为1的时候是全部放进去训练，为2的时候是分一半，最大可以设置为batch-size。楼主设置为10，然后进行训练成功的到了h5文件，然后就是按照上面的步骤实行命令即可。

不过最后得到的自己的模型误差大的离谱，可能和上面的设置有关系，不过跑通了，可以说是还不错了。