Linux服务器中Keras 搭建自己的yolo3目标检测平台

配置环境

注：下面需要下载的文件链接都可以直接在window下载，然后上传Linux服务器即可
首先安装anaconda，用来创建独立的虚拟环境，其次安装CUDA和CUDNN这两个版本一定要匹配，否则后期运行会提示版本不匹配，最后就是在anaconda创建的虚拟环境下安装tensorflow和keras。
安装环境这一块可以参考链接: link

下载源码

下面是GitHub源码链接: link.
下面是权值h5文件百度网盘下载链接:[link](https://pan.baidu.com/s/1izPebZ6PVU25q1we1UgSGQ 提取码: tbj3).

下载voc数据集，这个需要翻墙才能去官网下载，下载速度比较慢，可以直接幅值下载链接，然后通过迅雷下载，速度能够达到好几M。如果不具备翻墙条件，也可以找百度云资源。
链接: link.

下载完voc数据集，上传到Linux服务器，然后解压即可。在解压之前尽量把VOCdevkit\VOC2007\voc2yolo3.py该文件移动至./目录下，然后将VOCdevkit整个目录删掉（因为解压之后会出现一个XOCdevkit文件夹）。

var xvf VOCtrainval_06-Nov-2007
var xvf VOCtest_06-Nov-2007

下载GitHub源码打开包括这些文件，我简单介绍一下这些文件的作用。
首先贴一张YOLOV3用到的darknet53主干网络以及解码过程图。

1.nets/darknet53.py：darknet53的主干网络，是一系列的残差网络，为了提取三个特征层网络（13×13、26×26、52×52）
2.nets/yolo3.py：darknet53的解码过程，通过卷积和上采样输出三个特征层网络，分别为（（13×13×75）、（26×26×75）、（52×52×75））这里75代表通道数，这里用的是voc数据集75=（4+1+20）×3
3.nets/loss.py：衡量y_pre和y_true之间的对比
y_pre就是一幅图像经过网络之后的输出，内部含有三个特征层的内容；其需要解码才能够在图上作画
y_true就是一个真实图像中，它的每个真实框对应的(13,13)、(26,26)、(52,52)网格上的偏移位置、长宽与种类。其仍需要编码才能与y_pred的结构一致。
4.训练用到的文件：
VOCdevkit/VOC2007/Annotations：图片对应的标签文件。
VOCdevkit/VOC2007/JPEGImages：图片存放位置。
VOCdevkit/VOC2007/ImageSets/Main/train.txt：这个文件是运行VOCdevkit\VOC2007\voc2yolo3.py，它会遍历JPEGImages然后生成train.txt文件。
voc_annotation.py：将train.txt转化为2007_train.txt（内含绝对路径）
2007_train.txt：每一行对应其图片位置及其真实框的位置。这个是通过运行yolo.py文件生成的。
train.py：训练文件。
5.predict.py：测试文件。

修改参数以及训练自己的数据集

注：下面这些操作默认在anaconda创建的虚拟环境（安装tensorflow和keras），/yolo3-keras目录（我将yolo3-keras-master改名为yolo3-keras）下。
因为这个代码是在window运行的，如果在Linux下运行，需要对格式进行一个转换，相当于将DOS格式的文本文件转换成UNIX格式的。DOS下的文本文件是以\r\n作为断行标志的，表示成十六进制就是0D 0A。而Unix下的文本文件是以\n作为断行标志的，表示成十六进制就是0A。
通过下面命令安装dos2unix命令，该命令作用将DOS格式的文本文件转换成UNIX格式的。

yum install -y dos2unix

在这里只需要转换一个文件即可，VOCdevkit\VOC2007\voc2yolo3.py

dos2unix voc2yolo3.py

然后将VOCdevkit\VOC2007\voc2yolo3.py移动至./(yolo3-keras目录下)

mv VOCdevkit\VOC2007\voc2yolo3.py ./

执行voc2yolo3.py，生成train.txt文件，该文件位置VOCdevkit\VOC2007\ImageSets\Main\train.txt

python voc2yolo3.py

执行voc_annotation.py，生成2007_train.txt

python voc_annotation.py

执行train.py，然后会出现一系列的错误。

出现上面的原因大部分是因为CUDA和tensorflow版本不匹配，为了验证是否版本不匹配，执行pip show tensorflow，显示一个提醒，说明确实因为版本不匹配。首先需要检查安装的版本是否匹配，然后如果是在同一个Linux服务器下多用户使用不同的版本的CUDA，这时需要修改自己用户下面的.bashrc。首先执行cd命令切换到自己目录下，然后vim ./.bashrc进入该文件内，在文件最后加上三行命令。

export CUDA_HOME="$HOME/cuda10.0"
export PATH="$PATH:$CUDA_HOME/bin"
export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:$CUDA_HOME/lib64"

现在再进入自己的虚拟环境验证tensorflow，下面显示代表验证成功。

然后再执行train.py，继续出现错误。

出现上面这种情况是因为缺少pillow，接下来安装并更新pillow

pip install pillow
easy_install pillow
pip install -i https://pypi.douban.com/simple pillow

然后再执行train.py，继续出现错误。（这是最后一个错误了）


显示上面的错误，是因为没有安装opencv。

pip install opencv-python

然后再执行train.py，就可以训练自己的模型了。

测试自己训练的.h5权重

测试之前需要修改一些代码。
1.打开predict.py（测试代码）文件，将文件末尾r_image.show()这句代码注释掉并在后面加上 r_image.save(‘abc.jpg’) （注意尽量不要使用Tab键，用空格键，四个空格代表一层），因为我用Finalshell软件远程连接的服务器，所以不带显示，为了能够得到最终效果，可以将测试结果生成图片，然后下载到本地电脑显示。

vim predict.py

2.打开yolo.py文件，在class YOLO(object): 代码前加入以下命令，作用是指定运行显卡以及关闭session空出显存，os.environ [“CUDA_VISIBLE_DEVICES”] = “1” 这句命令是指定使用的显卡，因为服务器有时候不止一张显卡，所以可以选择具体的显卡。

from keras.backend.tensorflow_backend import set_session
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
os.environ ["CUDA_VISIBLE_DEVICES"] = "1"
sess = tf.Session(config=config)
set_session(sess)
keras.backend.clear_session() #清理session

如果上面两个文件都已修改，那就可以直接执行predict.py

python predict.py

运行一会就会显示让输入需要测试的图片的路径，这里我选择使用文件夹里面自带的文件，当然也可以上传到服务器自己想测试的图片。之后运行一会就会出现结果，其中包括类别和得分情况，其实到这一步已经测试成功了，为了眼见为实，在yolo3-keras（就是当前文件夹下，这个文件名是我下载Github后修改的，前面文章有提到）生成了abc.jpg文件，可以下载到本地并打开验证。

本文参考B站视频“Keras 搭建自己的yolo3目标检测平台（Bubbliiiing 深度学习 教程）”，该up主是在Windows下训练的，我只是做了简单的移植。
链接: link.

完结！