Win10下手把手教你在Keras版YOLOv3、Faster RCNN上训练自己的数据

关于这两个模型的环境配置，如何跑通demo来检测一张图片等内容，在我之前的博客有详细介绍

https://blog.csdn.net/hesongzefairy/article/details/105228434 （Windows10下快速复现keras yolov3）

https://blog.csdn.net/hesongzefairy/article/details/105238349（Windows10下快速复现Keras Faster RCNN）

keras下的代码比较简洁，我就以YOLOv3训练自己的数据来举个例子，Faster RCNN与之类似

训练方法参考了up主的视频，非常感谢https://www.bilibili.com/video/BV1XJ411D7wF

方便起见采用其提供的项目地址来实现训练自己的数据集https://github.com/bubbliiiing/yolo3-keras

Step1：使用labelimg标记数据

up主的视频有很详细的介绍如何标记数据，不再赘述如何使用labelimg

Step2：处理数据集

使用的是VOC2007数据集格式，我们将标记好的文件以及原图数据分别存放在\VOCdevkit\VOC2007\路径下

然后准备运行voc2yolo3.py文件，但是可能会报错提示找不到文件路径，自己根据情况修改路径即可，运行之后会修改ImageSets\Main\train.txt文件中的数据，其实就是存放训练文件名字的地方。

需要注意的是，在model_data文件夹中有一个voc_classes.txt，需要根据自己的类别作相应修改

最后准备运行voc_annotation.py生成一个数据的映射关系，同样需要先做修改，classes需要修改

运行之后，可以查看2007_train中的数据映射关系，其实就是数据的绝对路径

这样数据的处理就完成了

Step3：启动训练

修改train.py中的一些参数，位置在代码134行main函数后

如果是按照上面的步骤来设置文件夹的名称，路径基本上不用修改

这里再提示一下，给的数据集必须大于10张才能正常训练

Step4：启动预测

将log文件中保存的权重文件last1.h5拿出来放到model_data中，然后修改yolo.py中的model_path为last1.h5对应的路径和名称以及classes_path，最后就可以运行predict.py来测试一幅图像的预测结果了。