yolov--8--基于Tensorflow实现YOLO v3--动图展示

最新推荐文章于 2024-08-22 20:17:27 发布

明宇朗心

最新推荐文章于 2024-08-22 20:17:27 发布

阅读量6.2k

点赞数 4

分类专栏： yolov3-lite 文章标签： Tensorflow YOLO v3 YOLOv3 TensorFlow实现 yolov3 Tensorflow实现YOLO v3

本文链接：https://blog.csdn.net/qq_33869371/article/details/89416062

版权

yolov3-lite 专栏收录该内容

25 篇文章 9 订阅

订阅专栏

Yolov-1-TX2上用YOLOv3训练自己数据集的流程(VOC2007-TX2-GPU)

Yolov--2--一文全面了解深度学习性能优化加速引擎---TensorRT

Yolov--3--TensorRT中yolov3性能优化加速（基于caffe）

yolov-5-目标检测：YOLOv2算法原理详解

yolov--8--Tensorflow实现YOLO v3

yolov--9--YOLO v3的剪枝优化

yolov--10--目标检测模型的参数评估指标详解、概念解析

yolov--11--YOLO v3的原版训练记录、mAP、AP、recall、precision、time等评价指标计算

yolov--12--YOLOv3的原理深度剖析和关键点讲解

Tensorflow实现YOLO v3

TensorFlow实现，包含了以下部分：

· YOLOv3架构

· 权重转换器 (Weight Converter)

· 基础版Demo

· GPU和CPU上都支持非极大抑制 (Non-Maximum Suppression)

· 训练pipeline

· COCO mAP计算

△ 来自YOLOv3原作者

快速开始--4步

四个步骤，速速上车。

1.复制这个文件：

1$ git clone https://github.com/YunYang1994/tensorflow-yolov3.git

2.在食用代码前，先安装一些依赖项：

1$ cd tensorflow-yolov3
2$ pip install -r ./docs/requirements.txt

3.把加载好的COCO权重导出为TF checkpoint (yolov3.ckpt) 和 frozen graph (yolov3_gpu_nms.pb) 。

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.weights

$ python convert_weight.py --convert --freeze

4.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python nms_demo.py 后有错误：

=> nms on gpu the number of boxes= 3  time=148777.94 ms
=> nms on gpu the number of boxes= 3  time=1442.57 ms
=> nms on gpu the number of boxes= 3  time=886.59 ms
=> nms on gpu the number of boxes= 3  time=889.83 ms
=> nms on gpu the number of boxes= 3  time=882.56 ms
Traceback (most recent call last):
  File "nms_demo.py", line 40, in <module>
    image = utils.draw_boxes(img, boxes, scores, labels, classes, [IMAGE_H, IMAGE_W], show=True)
  File "/home/qhy/tensorflow-yolov3/core/utils.py", line 167, in draw_boxes
    font = ImageFont.truetype(font = font, size = np.floor(2e-2 * image.size[1]).astype('int32'))
  File "/usr/local/lib/python3.6/dist-packages/PIL/ImageFont.py", line 280, in truetype
    return FreeTypeFont(font, size, index, encoding, layout_engine)
  File "/usr/local/lib/python3.6/dist-packages/PIL/ImageFont.py", line 136, in __init__
    if core.HAVE_RAQM:
  File "/usr/local/lib/python3.6/dist-packages/PIL/ImageFont.py", line 40, in __getattr__
    raise ImportError("The _imagingft C module is not installed")
ImportError: The _imagingft C module is not installed

解决：

1 如果你的虚拟环境里安装了Pillow，最好先卸载掉

pip uninstall Pillow PIL

2 安装以下包(相关的就这几个包)

sudo apt-get install freetype-devel libjpeg-devel libpng-devel zlib1g-dev
或者

apt-get install libjpeg-dev
apt-get install libfreetype6-dev
apt-get install zlib1g-dev
apt-get install libpng12-dev

3 在虚拟环境里再安装Pillow

pip install Pillow

△ 来自YOLOv3原作者

拿自己的数据集训练

快速训练

这个Demo就是给大家一个粗略的感受，感受YOLOv3的训练过程到底是怎样的。

用python core/convert_tfrecord.py把你的图集转成TFRecords。

1$ python core/convert_tfrecord.py --dataset /data/train_data/quick_train_data/quick_train_data.txt  --tfrecord_path_prefix /data/train_data/quick_train_data/tfrecords/quick_train_data
2$ python quick_train.py  # start training

训练COCO数据集

如果还没下载COCO2017数据集，请前往：

http://cocodataset.org/

再把数据集放到./data/train_data/COCO里面。

1$ cd data/train_data/COCO
2$ wget http://images.cocodataset.org/zips/train2017.zip
3$ unzip train2017.zip
4$ wget http://images.cocodataset.org/annotations/annotations_trainval2017.zip
5$ unzip annotations_trainval2017.zip

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

上面这步得到的文件是./data/train_data/COCO/train2017.txt。拿一张图举栗，应该长这样：

1As a result, you will get ./data/train_data/COCO/train2017.txt. Here is an example row for one image:
2
3/home/yang/test/tensorflow-yolov3/data/train_data/train2017/000000458533.jpg 20 18.19 6.32 424.13 421.83 20 323.86 2.65 640.0 421.94
4/home/yang/test/tensorflow-yolov3/data/train_data/train2017/000000514915.jpg 16 55.38 132.63 519.84 380.4
5# image_path, category_id, x_min, y_min, x_max, y_max, category_id, x_min, y_min, ...

接下来，要把图像数据集转成.tfrecord，就是用二进制来保存数据。最后，可以训练啦。

$ python core/convert_tfrecord.py --dataset ./data/train_data/COCO/train2017.txt  --tfrecord_path_prefix ./data/train_data/COCO/tfrecords/coco --num_tfrecords 100
$ python train.py

COCO评估

如果要看一下模型在COCO上的表现，就这样做：

$cd data/train_data/COCO
$wget http://images.cocodataset.org/zips/test2017.zip
$wget http://images.cocodataset.org/annotations/image_info_test2017.zip 
$unzip test2017.zip
$unzip image_info_test2017.zip

△ 来自YOLOv3原作者