darkflow使用

最新推荐文章于 2021-04-20 16:55:21 发布

风吴痕

最新推荐文章于 2021-04-20 16:55:21 发布

阅读量1.4w

点赞数 6

分类专栏： tensorflow darkflow 文章标签： darkflow yolo tensorflow darknet

tensorflow 同时被 2 个专栏收录

91 篇文章 1 订阅

订阅专栏

darkflow

1 篇文章 0 订阅

订阅专栏

参考：

thtrieu/darkflow

将darknet翻译为tensorflow。加载训练后的权重，使用Tensorflow重新训练/微调，将常量graph def导出到移动设备

安装

git clone https://github.com/thtrieu/darkflow.git
cd darkflow
python3 setup.py build_ext --inplace

pip3 install -e .
# 或
pip3 install .

Android demo on Tensorflow’s here

准备

模型下载

模型下载链接:https://drive.google.com/drive/folders/0B1tW_VtY7onidEwyQ2FtQVplWEU

或：yolo.weights

将下载好的yolo.weights放到bin目录

训练数据

Pascal VOC 2007训练示例：

# Download the Pascal VOC dataset:
curl -O https://pjreddie.com/media/files/VOCtest_06-Nov-2007.tar
tar xf VOCtest_06-Nov-2007.tar

# An example of the Pascal VOC annotation format:
vim VOCdevkit/VOC2007/Annotations/000001.xml

# Train the net on the Pascal dataset:
flow --model cfg/yolo-new.cfg --train --dataset ./VOC2007/JPEGImages --annotation ./VOC2007/Annotations --gpu 1.0

VOC2007只需保留以下结构

<VOC2007>
|———  Annotations
|       └─  *.xml # 存放图片的 类别与边框
|
|———  JPEGImages
|       └─ *.jpg # 存放图片
|
|———  SegmentationClass #（删除）
|
|——— SegmentationObject # （删除）
|
|___ ImageSets #（删除）

完整下载：

wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCdevkit_08-Jun-2007.tar

# 执行以下命令将解压到一个名为VOCdevkit的目录中
tar xvf VOCtrainval_06-Nov-2007.tar
tar xvf VOCtest_06-Nov-2007.tar
tar xvf VOCdevkit_08-Jun-2007.tar

只修改classes

如果你没有训练或微调任何东西（你只是想转发训练过的网络）

例如，如果你想只使用3类tvmonitor, person, pottedplant; 编辑labels.txt如下

tvmonitor
person
pottedplant

flow --model cfg/yolo-new.cfg --train --dataset ./VOC2007/JPEGImages --annotation ./VOC2007/Annotations --gpu 1.0 --labels labels.txt

就是这样。 darkflow会考虑其余的。您还可以在darkflow使用--labels标志加载自定义标签文件（即--labels myOtherLabelsFile.txt）。使用具有不同输出标签集合的多个模型时，这会很有帮助。如果未设置此标志，默认情况下darkflow将从labels.txt加载（如果使用的是为COCO或VOC数据集设计的可识别的.cfg文件，那么自定义的标签文件将被忽略，COCO或VOC标签将会被加载，而自定义的labels.txt 会被忽略）。

设计网络

如果您正在使用其中一种原始配置，请跳过此步骤，因为它们已经在那里。否则，请参阅以下示例：

...

[convolutional]
batch_normalize = 1
size = 3
stride = 1
pad = 1
activation = leaky

[maxpool]

[connected]
output = 4096
activation = linear

...

`flow`具体使用

# 查看帮助
flow --h

首先，让我们仔细研究一个非常有用的选项--load

# 1. Load tiny-yolo.weights
flow --model cfg/tiny-yolo.cfg --load bin/tiny-yolo.weights

# 2. To completely initialize a model, leave the --load option
flow --model cfg/yolo-new.cfg

# 3. It is useful to reuse the first identical layers of tiny for `yolo-new`
flow --model cfg/yolo-new.cfg --load bin/tiny-yolo.weights
# this will print out which layers are reused, which are initialized

来自默认文件夹sample_img/的所有输入图像都通过网络流入，并且预测被放入sample_img/out/中。我们可以随时指定更多参数，例如检测阈值，批量大小，图像文件夹等。

# Forward all images in sample_img/ using tiny yolo and 100% GPU usage
flow --imgdir sample_img/ --model cfg/tiny-yolo.cfg --load bin/tiny-yolo.weights --gpu 1.0

可以使用每个边界框的像素位置和像素位置的描述来生成json输出。每个预测默认存储在sample_img/out文件夹中。下面显示了一个示例json数组。

# Forward all images in sample_img/ using tiny yolo and JSON output.
flow --imgdir sample_img/ --model cfg/tiny-yolo.cfg --load bin/tiny-yolo.weights --json

JSON output:

[{"label":"person", "confidence": 0.56, "topleft": {"x": 184, "y": 101}, "bottomright": {"x": 274, "y": 382}},
{"label": "dog", "confidence": 0.32, "topleft": {"x": 71, "y": 263}, "bottomright": {"x": 193, "y": 353}},
{"label": "horse", "confidence": 0.76, "topleft": {"x": 412, "y": 109}, "bottomright": {"x": 592,"y": 337}}]

标签：自我解释
置信度：介于0到1之间（对yolo的信心有多大的自信）
topleft：框左上角的像素坐标。
bottomright：框右下角的像素坐标。

Training new model

训练很简单，因为你只需要添加选项 --train。如果这是第一次训练新配置，则训练集和注释将被解析。要指向训练集和注释，请使用选项 --dataset和 --annotation。几个例子：

# Initialize yolo-new from yolo-tiny, then train the net on 100% GPU:
flow --model cfg/yolo-new.cfg --load bin/tiny-yolo.weights --train --gpu 1.0

# Completely initialize yolo-new and train it with ADAM optimizer
flow --model cfg/yolo-new.cfg --train --trainer adam

在训练期间，脚本偶尔会将中间结果保存到Tensorflow checkpoints中，并存储在ckpt/中。要在执行训练/测试之前恢复到任何检查点，请使用--load [checkpoint_num]选项，如果checkpoint_num <0，则darkflow将通过解析ckpt/checkpoint加载最新的保存。

# Resume the most recent checkpoint for training
flow --train --model cfg/yolo-new.cfg --load -1

# Test with checkpoint at step 1500
flow --model cfg/yolo-new.cfg --load 1500

# Fine tuning yolo-tiny from the original one
flow --train --model cfg/tiny-yolo.cfg --load bin/tiny-yolo.weights

训练自己的数据

下面的步骤假定我们想要使用tiny YOLO，我们的数据集有3个类

创建一个配置文件tiny-yolo-voc.cfg的副本并根据您的偏好重新命名它tiny-yolo-voc-3c.cfg（保留原始的tiny-yolo-voc.cfg文件是至关重要的，请参阅以下解释）。
在tiny-yolo-voc-3c.cfg中，将[region]层（最后一层）中的类更改为要训练的类的数量。在我们的例子中，类被设置为3。

...

[region]
anchors = 1.08,1.19,  3.42,4.41,  6.63,11.38,  9.42,5.11,  16.62,10.52
bias_match=1
classes=3
coords=4
num=5
softmax=1

...

在tiny-yolo-voc-3c.cfg中，将[convolutional]层（第二层到最后一层）中的滤镜更改为num （classes + 5）。在我们的例子中，num是5并且类是3，所以5 （3 + 5）= 40，因此过滤器被设置为40。

...

[convolutional]
size=1
stride=1
pad=1
filters=40
activation=linear

[region]
anchors = 1.08,1.19,  3.42,4.41,  6.63,11.38,  9.42,5.11,  16.62,10.52

...

更改labels.txt以包含要训练的标签（标签数量应与您在tiny-yolo-voc-3c.cfg文件中设置的分类数量相同）。在我们的例子中，labels.txt将包含3个标签。

label1
label2
label3

训练时参考tiny-yolo-voc-3c.cfg模型。

flow --model cfg/tiny-yolo-voc-3c.cfg --load bin/tiny-yolo-voc.weights --train --annotation train/Annotations --dataset train/Images

为什么我应该保留原始的tiny-yolo-voc.cfg文件不变？

当darkflow发现您正在加载tiny-yolo-voc.weights时，它会在cfg/文件夹中查找tiny-yolo-voc.cfg，并将该配置文件与您使用--model cfg/tiny-yolo-voc-3c.cfg设置的新配置文件进行比较。在这种情况下，除了最后两个图层外，每个图层都具有相同的权重数量，所以它会将权重加载到所有图层中，直到后两个图层，因为它们现在包含不同数量的权重。

相机/视频文件演示

对于完全在CPU上运行的演示：

flow --model cfg/yolo-new.cfg --load bin/yolo-new.weights --demo videofile.avi

对于在GPU上运行100％的演示：

flow --model cfg/yolo-new.cfg --load bin/yolo-new.weights --demo videofile.avi --gpu 1.0

要使用摄像头/摄像头，只需使用关键字camera替换videofile.avi即可。

要使用预测的边界框保存视频，请添加--saveVideo选项。

# 检测摄像头版：
python3 flow --model cfg/yolo.cfg --load bin/yolo.weights --demo camera
# 检测视频版：
python3 flow --model cfg/yolo.cfg --load bin/yolo.weights --demo demo.avi
# 使用GPU版：
python3 flow --model cfg/yolo.cfg --load bin/yolo.weights --demo camera --gpu 1.0

从另一个python应用程序使用darkflow

请注意，return_predict（img）必须采用numpy.ndarray。您的图片必须事先加载并传递给return_predict（img）。传递文件路径不起作用。

return_predict（img）的结果将是一个字典列表，它表示每个检测到的对象的值与上面列出的JSON输出格式相同。

from darkflow.net.build import TFNet
import cv2

options = {"model": "cfg/yolo.cfg", "load": "bin/yolo.weights", "threshold": 0.1}

tfnet = TFNet(options)

imgcv = cv2.imread("./sample_img/sample_dog.jpg")
result = tfnet.return_predict(imgcv)
print(result)

将构建的图保存到protobuf文件（.pb）

## Saving the lastest checkpoint to protobuf file
flow --model cfg/yolo-new.cfg --load -1 --savepb

## Saving graph and weights to protobuf file
flow --model cfg/yolo.cfg --load bin/yolo.weights --savepb

保存.pb文件时，.meta文件也将随之生成。这个.meta文件是元字典中所有内容的JSON转储文件，其中包含用于后处理的信息nessecary，例如anchors和labels。通过这种方式，您可以根据图表进行预测并进行后期处理，您可以在这两个文件中找到所需的所有内容 - 无需使用.cfg或任何标签文件进行标记。

创建的.pb文件可用于将图形迁移到移动设备（JAVA / C ++ / Objective-C ++）。输入张量和输出张量的名称分别是input和output。有关此protobuf文件的进一步用法，请参阅C ++ API的Tensorflow官方文档。要运行它，比如iOS应用程序，只需将该文件添加到Bundle Resources中，并在源代码内更新此文件的路径。

此外，darkflow支持从.pb和.meta文件加载以生成预测（而不是从.cfg和checkpoint 或.weights加载）。

## Forward images in sample_img for predictions based on protobuf file
flow --pbLoad built_graph/yolo.pb --metaLoad built_graph/yolo.meta --imgdir sample_img/

如果您想在使用return_predict()时加载.pb和.meta文件，您可以设置“pbLoad”和“metaLoad”选项来代替您通常设置的model和load选项。

其他

AssertionError: Cannot capture source

opencv安装

# 更新opencv
pip3 install -U opencv-contrib-python

风吴痕

关注

6
点赞
踩
27

收藏

觉得还不错? 一键收藏
13
评论
darkflow使用

参考：thtrieu/darkflow将darknet翻译为tensorflow。加载训练后的权重，使用Tensorflow重新训练/微调，将常量graph def导出到移动设备安装git clone https://github.com/thtrieu/darkflow.gitcd darkflowpython3 setup.py build_ext --inplacepip3 inst
复制链接

扫一扫