实现yolo3模型训练自己的数据集总结

     经过两天的努力，借鉴网上众多博客，在自己电脑上实现了使用yolo3模型训练自己的数据集并进行测试图片。本文主要是我根据下面参考文章一步步实施过程的总结，可能没参考文章中那么详细，但是会包含一些参考文章中没提及的容易掉坑的小细节，建议读者结合参考文章一起看，一步步走即可。首先贴出本文主要参考的文章以及代码出处：

代码：https://github.com/qqwweee/keras-yolo3

参考文章：https://blog.csdn.net/patrick_Lxc/article/details/80615433

一.下载项目源码，进行快速测试

从上面代码链接处下载整个项目源码。下载好后，首先根据github中指引进行快速测试。

yolo web：https://pjreddie.com/darknet/yolo

对应操作如下（命令行操作）：

1.  wget https://pjreddie.com/media/files/yolov3.weights                                  

注释：这里wget为linux命令，windows系统可以直接访问后面链接来下载yolov3权重文件，也可以访问yolo web去下载。

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

注释：执行convert.py文件，此为将darknet的yolo转换为可以用于keras的h5文件，生成的h5被保存在model_data下。命令中的convert.py和yolov3.vfg克隆下来后已经有了，不需要单独下载。

3.用已经被训练好的yolo.h5进行图片识别测试。执行：python yolo.py

执行后会让你输入一张图片的路径，因为我准备的图片（网上随便找的）放在yolo.py同级目录，所以直接输入图片名称，没有加路径。

过程和结果如下图所示：

以上结果表明快速开始项目成功，接下来我们进行搭建自己的数据集，进行模型的训练以及训练后模型用于测试图片识别。

二.准备自己的数据集

可以按照上面参考文章里面做法下载VOC数据集，然后清空里面内容，保留文件目录结构。也可以直接手动创建如下目录结构：

这里面用到的文件夹是Annotation、ImageSets和JPEGImages。注意：需要在VOC2007再创建一个上级目录VOCdevkit。

     其中文件夹Annotation中主要存放xml文件，每一个xml对应一张图像，并且每个xml中存放的是标记的各个目标的位置和类别信息，命名通常与对应的原始图像一样；而ImageSets我们只需要用到Main文件夹，这里面存放的是一些文本文件，通常为train.