Win10安装YOLOv3.0

本文主要参考这个网址，本文是对这个网址所遇到错误的总结，如有侵权，请与我联系。

0.配置深度学习环境

安装之前，你要知道tensorflow的安装环境，见官网：
https://tensorflow.google.cn/install/source_windows#install_visual_c_build_tools_2015

MSVC+CUDA+cuDNN+python的版本都要正确

0.1  MSVC是VS附带的软件包：Microsoft Visual C++ 2015 Redistributable和Microsoft 生成工具 2015，tensorflow官网上说可以不用下载VS可以直接单独下载它，但是你最好还是安装一个VisualStudio2015，VS会附带这两个东西。我尝试了很多次只安装Microsoft Visual C++ 2015 Redistributable和Microsoft 生成工具 2015，结果CUDA装不上。

VS2015免费版的下载可以去这个微信公众号找：软件安装管家

tensorflow官网里有单独的MSVC2015的下载地址，我这里也把它给出吧：

安装 Visual C++ 生成工具 2015。此软件包随附在 Visual Studio 2015 中，但可以单独安装：

1. 转到 Visual Studio 下载页面，
2. 选择“可再发行组件和生成工具”，
3. 下载并安装：
   • Microsoft Visual C++ 2015 Redistributable 更新 3
   • Microsoft 生成工具 2015 更新 3

这里可以看到：

选择x64的，x64是给64位的系统用的，x86是给32位系统用的。

0.2  关于CUDA的安装可以参考这个网址里的CUDA安装方法：

WIN10安装TENSORFLOW（GPU版本）详解（超详细，从零开始） - 知乎

        关于cuDNN的安装你可以参考这个网址的安装方法：

Win10+cuda8.0+cudnn5.1+tensorflow-gpu1.2.0+gtx1050ti，tensorflow环境搭建与配置_angzhangzhang123的博客-CSDN博客_gtx1050ti tensorflow

0.3   至于python我是下载了一个anaconda3，它的默认python版本是3.5，然后我就用Anaconda Prompt当cmd用

1.下载代码

本篇博客对应的旧代码：

带模型版665.5MB+：

百度网盘链接 提取码: bre5

只含代码版5MB：

tensorflow_yolov3_mud.rar - 蓝奏云

或者可以去看原作者的新代码，这个代码有更新，如果选择使用新代码，则本篇博客不适用新代码，要根据github上的readme.md来走：

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

2.安装第三方库

这一步的目的就是安装运行代码所需要的第三方库，requirements.txt里面就是各种依赖库对应的版本。

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

命令行下（本人用的是Anaconda Prompt）输入：pip install -r ./docs/requirements.txt的时候遇到很多错误，你可能需要符合以下两点要求：
（1）首先是你的命令行要到tensorflow-yolov3这个目录，
（2）然后要保证你的命令行下的python版本在3.5到3.6之间（直接输入python查看版本）。

当然你也可以用Anaconda Prompt命令行来一步一步安装requirements.txt里安装不了的依赖包。

（3）这个requirement.txt文件里安装的tensorflow版本是GPU，1.11.0，它对你的显卡的算力，也就是compute capability的要求是3.7以上，我的Tesla k40m的算力是3.5，每次运行demo时都不能使用GPU，都自动跑的CPU版本，所以我卸载了这个版本，换了更低的版本，如果你的tensorflow能跑下面的那个示例代码就不用执行这一步来卸载重装其它版本的tensorflow了。关于你的显卡的compute capability可以在官网上搜。

pip uninstall tensorflow-gpu==1.11.0
pip install tensorflow-gpu==1.10.0

我NVIDIA GTX 1060的显卡安装tensorflow-gpu==1.12.0、tensorflow-cpu==1.12.0、tensorflow-cpu==1.5.0也可以，2.0的tensorflow则不行了。

运行这个示例代码看看，你的tensorflow是否安装成功以及是在GPU还是CPU上跑：

import tensorflow as tf
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True)) 
print (sess.run(c))
sess.close()

tensorflow安装成功，并可以看到我的是在GPU上跑的。 

tensorflow-cpu版的话就是这样：

3.导出.pb模型文件

第3步把加载好的COCO权重导出为TF checkpoint (yolov3.ckpt) 和 frozen graph (yolov3_gpu_nms.pb) 。
关于这一步，它这一句话只是解释说明你现在做的事，并不是指导你去做什么，你照着它下面的指示做就好了，不用管这句话。

如果你没有yolov3.weights的话，去下载，然后放到./checkpoint目录下。下载地址是：

https://github.com/YunYang1994/tensorflow-yolov3/releases/download/v1.0/yolov3_coco.tar.gz

接着anaconda prompt下或cmd下输入命令： 

python convert_weight.py --convert --freeze

这一步是把作者的这个yolov3.weights转化成识别的时候使用的.pb文件，这个.pb文件可以识别生活中常见的物体，如果你是用yunyang1994在github上的新代码的话就不能运行，必须使用我的旧代码。

4.视频识别

第4步：然后，./checkpoint目录下就会出现一些.pb文件。现在可以跑Demo脚本了：

python nms_demo.py
python video_demo.py # if use camera, set video_path = 0

输入第一个命令会报错：ModuleNotFoundError: No module named 'cv2'，则输入命令安装opencv2：

pip install opencv-python

输入第二个命令时，你可能会报错：python video_demo.py # if use camera, set video_path = 0
因为你的电脑没有摄像头，这样的话可以不用管。如果你的电脑有摄像头的话，这个命令就是开启你的摄像头实时识别现实中的物体

假如你在使用摄像头时出现错误：

Traceback (most recent call last):
  File "video_demo.py", line 29, in <module>
    ["Placeholder:0", "concat_9:0", "mul_6:0"])
  File "D:\tensorflow-yolov3-master\core\utils.py", line 220, in read_pb_return_tensors
    return_elements=return_elements)
  File "D:\Pro2\Anaconda3\lib\site-packages\tensorflow\python\framework\importer.py", line 283, in import_graph_def
    raise ValueError('No op named %s in defined operations.' % node.op)
ValueError: No op named GatherV2 in defined operations.

说明你的tensorflow版本太低，需升级，如果出现了其他的错误，检查你的video_demo.py文件里使用的那个nms.pb文件是cpu还是gpu版本的，是否与你的tensorflow-cpu或gpu相匹配。

5.训练VOC或COCO格式的数据

到了这一步，如果你要弄VOC格式的数据集，你可以不往下看了，可以转到下面这篇博客，而且强烈建议跳到这里，因为下面这篇博客更详细：

tenforflow版YOLOv3下VOC数据集的准备和训练_UryWu的博客-CSDN博客

如果你要弄COCO格式的数据集：

官网：

http://cocodataset.org/

5.1下载的数据图像集是那个COCO官网的--》Dataset下的--》Download--》Images的--》2017 Train images [118K/18GB]

但是官网上的很慢，可以去这个网址下载。
强烈推荐用迅雷下载，因为下载到一半突然网络错误是很痛苦的。我就踩了不用迅雷的坑。

上面那个数据集太大，建议用这个小数据集算了：

5.2下载的标注集是COCO官网的--》Dataset下的--》Download--》Images的--》2017 Train/Val annotations [241MB]

6.提取COCO数据集为txt

然后，就要从数据集里提取一些有用的信息了，比如边界框，拿这些信息生成你自己的.txt文件。

python core/extract_coco.py --dataset_info_path ./data/train_data/COCO/train2017.txt

​

在这个目录里用的cmd命令行窗口里输入上面那个命令后，报错：

python: can't open file 'core/extract_coco.py': [Errno 2] No such file or directory

于是我去scipts这个目录下找到这个缺失的文件，并把它放到指定的core目录下。

​

根据教程输入命令：

python core/extract_coco.py --dataset_info_path ./data/train_data/COCO/train2017.txt

错误： 

File "core/extract_coco.py", line 30, in main
    labels = json.load(open(flags.json_path, encoding='utf-8'))
FileNotFoundError: [Errno 2] No such file or directory: '/home/yang/test/COCO/annotations/instances_train2017.json

应该是这个文件里的路径不对，我去改一下路径。

​

可以看到源文件中有三个路径对于我的文件目录都要改 

我的三个路径：

​

7.txt转tfrecord

生成那个train2017.txt文件后，

接下来，要把图像数据集转成.tfrecord，就是用二进制来保存数据。

python core/convert_tfrecord.py --dataset_txt ./data/train_data/COCO/train2017.txt  --tfrecord_path_prefix ./data/train_data/COCO/tfrecords/coco

 txt文件里就是数据，它的格式如下：

 --xxxx是参数标识符，这个后面就是路径参数，列如这里的--dataset_txt是路径参数标识符，它的后面就是用来输入的txt文件的路径。你的路径一定要存在，不存在的更换路径或是自己创建这个目录。后面的--tfrecord_path_prefix就是输出的tfrecord文件的地址，我这里是./data/train_data/COCO/tfrecords/coco，我用的是相对路径，最后面的这个coco是生成的tfrecord文件名，这个不是文件夹。
参考网址

这一步可能会报错：

convert_tfrecord.py: error: unrecognized arguments: --num_tfrecords 100

于是我把这个--num_tfrecords 100配置参数去掉了，因为报错的这个convert_tfrecord.py文件里：

​

它的参数中

​

不包括这个--num_tfrecords

继续输入7.开头的那个命令，继续报错：

  compat.as_bytes(path), compat.as_bytes(compression_type), status)
  File "E:\Anaconda3-5.2.0-Windows-x86_64\lib\site-packages\tensorflow\python\framework\errors_impl.py", line 526, in __exit__
    c_api.TF_GetCode(self.status.status))
tensorflow.python.framework.errors_impl.NotFoundError: Failed to create a NewWriteableFile: ./data/train_data/COCO/tfrecords/coco.tfrecords : ϵͳ\udcd5Ҳ\udcbb\udcb5\udcbdָ\udcb6\udca8\udcb5\udcc4·\udcbe\udcb6\udca1\udca3
; No such process

根据这个网址的提示：error when generate tfrecord · Issue #41 · datitran/raccoon_dataset · GitHub

要修改输入输出路径，我觉得就是这个文件convert_tfrecord.py里的路径错误，上面那个是保存数据图片名字和标注的txt文件的路径，下面是输出打包后tfrecords文件的目录，没有这个保存目录它会自己创建：

​

 我改成了：

​

继续输入7.开头的那个命令，开始生成tfrecord文件，tfrecord文件就是把那些Images数据和标注好的annotations标注打包起来，生成一个tfrecord文件，并用于训练：

​

为了好看，我把它的名字改成了tain2017.tfrecords

之后，在这下面两个网址下载用来测试的图片和标注。

http://images.cocodataset.org/zips/test2017.zip
wget http://images.cocodataset.org/annotations/image_info_test2017.zip

根据上面第7、8的步骤，用同样的方法生成tfrecord文件，我取名为test2017.tfrecords

8.模型训练、测试与评估

然后打开tensorflow-yolo3下面的quick_train.py文件：

​

1.   BATCH_SIZE是总共训练包的个数，但你训练时出现显存不够（Out of range），或是蓝屏、程序崩溃的时候可以尝试把这个参数调小。

2.    STEPS是迭代次数的多少，低则识别率低，反之则否，我用3000幅左右的图片来训练并且迭代2500次用了一个半小时，我迭代50000次则用了25个小时左右。

3.    CLASSES之后的路径是存放你要识别的类别的txt文件。

4.    ANCHORS之后的路径是你训练的网络单元的权重文件，这个txt文件名含有anchors，我们用的是VOC格式的数据，这里要改为voc_anchors.txt。

最下面的两个train_tfrecord和test_tfrecord是之前生成的，改好路径。改为：

​

注意这两个tfrecords文件的路径，你的路径不一定和我的相同，但一定要保证你有你自己的这个路径，并且存在这两个文件。

然后在anaconda prompt中进入tensorflow-yolo3的根目录，输入命令开始训练：

python quick_train.py

 最后会在tensorflow-yolo3/checkpoint目录下生成三个ckpt文件，这个就是训练好的模型。

​

然后在anaconda prompt中输入命令生成模型应用文件：

python convert_weight.py -cf ./checkpoint/yolov3.ckpt-2500 -nc 1 -ap ./data/coco_anchors.txt --freeze

此命令会利用上面的ckpt文件生成*cpu_nms.pb和*gpu_nms.pb文件。
​

然后打开文件：tensorflow-yolov3/quick_test.py

​

 anaconda prompt下输入命令来测试：

python quick_test.py

 这时候等一会儿，会出现那幅测试的图片，被识别出来的物体会被框出来。

然后是评估模型，打开tensorflow-yolov3/evaluate.py：

​

 anaconda prompt下输入命令来评估：

python evaluate.py

 ​

这个mAP就是识别率。

*****完结撒花***** 

另附参考博客：

Github 项目 - YOLOV3 的 TensorFlow 复现 - AI备忘录