tensorflow实现yolo

源码

运行yolo的demo

1 github下载YOLOv3的tensorflow实现代码

 git clone https://github.com/YunYang1994/tensorflow-yolov3.git

2 安装一些依赖

 cd tensorflow-yolov3-master
 pip install -r ./docs/requirements.txt

3 下载YOLOv3的初始权值放到checkpoint文件夹中

下载链接

4 将./checkpoint目录下的.ckpt转化成.pb文件

python convert_weight.py

在./checkpoint目录下的生成 XXX_demo.ckpt文件

python freeze_graph.py

在tensorflow-yolov3-master文件夹下生成.pb文件

5 运行测试代码

测试一张图片

python image_demo.py

测试一个视频

python video_demo.py

如果想要用本地摄像头视频，则更改video_demo.py代码，令video_path = 0

使用voc2007数据集训练模型

参考

1 下载数据集，存放在 data/dataset/VOC2007/文件夹下面

格式为：

其中：
Annotations文件夹中存放的是.xml文件，每个xml文件都对应于JPEGImages文件夹的一张图片

ImageSets中有三个文件：
Layout存放的四个文件test.txt , train.txt, val.txt ,trainval.txt（这个稍后要用于第二步生成.txt，所以要注意一下路径，看有的博主说这四个文件是在Main下面，可以找一下自己文件夹具体存放地址）

其中内容格式为：

Main存放的是图像物体识别的数据，分为20类。

Segmentation存放的是可用于分割的数据,做检测识别也是用不到的.
JPEGImages文件夹里包含了训练图片和测试图片，混放在一起

2 生成索引.txt文件

修改tensorflow-yolov3-master/data/dataset/中voc_annotation.py文件
（1）修改类别
（2）注意路径
这个为.xml的路径

这个为.txt路径（注意四个文件test.txt , train.txt, val.txt ,trainval.txt存放位置，因为博主是在Layout下面，有的是在Main下，注意修改）

这个为图片路径

最终生成文件路径在与voc_annotation.py相同的文件夹下面，即tensorflow-yolov3-master/data/dataset/文件夹下面，生成的文件格式为：
格式：图片路径（空格）矩形框左上和右下角坐标（空格）标签（空格）下一个矩形框位置+标签

3 修改配置文件

修改./core/config.py里的配置路径

__C.YOLO.CLASSES                = "./data/classes/voc.names"
__C.TRAIN.ANNOT_PATH            = "./data/dataset/2007_train.txt"
__C.TEST.ANNOT_PATH             = "./data/dataset/2007_test.txt"

4 训练

从coco数据集预训练结果进行迁移学习：

python convert_weight.py --train_from_coco
python train.py

如果数据量够，可以头训练，直接

python train.py

训练的结果为：
在/checkpoint/文件下生成.ckpt文件

5 .ckpt转化成.pb文件

修改freeze_graph.py代码

pb_file = "./XXX.pb"      #.pb文件的路径
ckpt_file = "./checkpoint/yolov3_test_loss=3.2343.ckpt-37"   #上一步生成的.ckpt文件的路径（生成很多，选择一个最合适的）

6 测试

修改image_demo.py或者video_demo.py代码
将其中.pb文件换成自己生成的

同时将类别数目换成自己的数目

可以看到运行结果。

训练自己的数据集

1 制作自己的数据集

参考链接
在data/dataset/文件夹下面新建VOC2007文件夹，该文件夹下面有以下三个文件夹

1. 处理JPEGSImages文件夹，重命名图片
   把你的图片放到JPEGSImages里面，在VOC2007里面，人家的图片文件名都是000001.jpg类似这样的，我们也统一格式，把我们的图片名字重命名成这样的，代码如下：

代码

2. 处理Annatations文件夹，生成xml文件
   1)下载链接，博主有介绍如何使用
   2)注意修改保存的路径为Annatations文件夹，
3. 生成ImageSets文件夹中的Main文件夹中的四个文件.
   test.txt是测试集，train.txt是训练集，val.txt是验证集，trainval.txt是训练和验证集.VOC2007中，trainval大概是整个数据集的50%，test也大概是整个数据集的50%；train大概是trainval的50%，val大概是trainval的50%,下面的代码生成这四个文件,百分比可以自己调整.

import os  
import random  
  
trainval_percent = 0.7  
train_percent = 0.5  
xmlfilepath = 'Annotations'  
txtsavepath = 'ImageSets\Main'  
total_xml = os.listdir(xmlfilepath)  
  
num=len(total_xml)  
list=range(num)  
tv=int(num*trainval_percent)  
tr=int(tv*train_percent)  
trainval= random.sample(list,tv)  
train=random.sample(trainval,tr)  
  
ftrainval = open('ImageSets/Main/trainval.txt', 'w')  
ftest = open('ImageSets/Main/test.txt', 'w')  
ftrain = open('ImageSets/Main/train.txt', 'w')  
fval = open('ImageSets/Main/val.txt', 'w')  
  
for i  in list:  
    name=total_xml[i][:-4]+'\n'  
    if i in trainval:  
        ftrainval.write(name)  
        if i in train:  
            ftrain.write(name)  
        else:  
            fval.write(name)  
    else:  
        ftest.write(name)  
  
ftrainval.close()  
ftrain.close()  
fval.close()  
ftest .close()  

到此数据集制作完成

2 生成索引.txt文件

参考上面使用voc2007数据集训练模型的步骤2，注意修改路径，因为上面博主四个test.txt , train.txt, val.txt ,trainval.txt是在Layout下，现在制作放在了Main下面，所以要修改路径。

3 步骤

之后步骤同上面使用voc2007数据集训练模型的步骤一样，不再重述。