Tensorflow2.0：Yolo v3代码详解（三）

这次主要是针对yolov3执行测试过程的代码解析，第一部分是主体train文件代码解析，第二部分是针对utils文件代码解析，第三部分是针对config文件代码解析

第一部分 针对train文件代码解析

yolov3文件代码可以在Tensorflow2.0：Yolo v3代码详解（一）找到

import cv2
import os
import shutil
import numpy as np
import tensorflow as tf
import core.utils as utils
from core.config import cfg
from core.yolov3 import YOLOv3, decode


INPUT_SIZE = 416  # 输入模型时图片的尺寸
NUM_CLASS = len(utils.read_class_names(cfg.YOLO.CLASSES))  # 类别的数目
CLASSES = utils.read_class_names(cfg.YOLO.CLASSES)  # 类别的名称
# 路径名称
predicted_dir_path = '../mAP/predicted'
ground_truth_dir_path = '../mAP/ground-truth'
# 若路径下有文件，则删除
if os.path.exists(predicted_dir_path):
    shutil.rmtree(predicted_dir_path)
if os.path.exists(ground_truth_dir_path):
    shutil.rmtree(ground_truth_dir_path)
if os.path.exists(cfg.TEST.DECTECTED_IMAGE_PATH):
    shutil.rmtree(cfg.TEST.DECTECTED_IMAGE_PATH)
# 创建路径
os.mkdir(predicted_dir_path)
os.mkdir(ground_truth_dir_path)
os.mkdir(cfg.TEST.DECTECTED_IMAGE_PATH)
# 确定模型输入
input_layer = tf.keras.layers.Input([INPUT_SIZE, INPUT_SIZE, 3])
# 确定模型输出
feature_maps = YOLOv3(input_layer)
bbox_tensors = []
for i, fm in enumerate(feature_maps):
    bbox_tensor = decode(fm, i)
    bbox_tensors.append(bbox_tensor)
# 构建模型
model = tf.keras.Model(input_layer, bbox_tensors)
# 加载模型参数
model.load_weights("./yolov3")
# 进行测试
with open(cfg.TEST.ANNOT_PATH, 'r') as annotation_file:
    for num, line in enumerate(annotation_file):   # enumerate 使得annotation_file每个元素前面加一个序号，即num
    # 第一步：读取原始图片和图上标注框信息，并在指定路径下写入txt
        # 去除首尾空格，以空格来间隔
        annotation = line.strip().split() # split()会按照指定的符号来分割成不同个元素
        image_path = annotation[0]
        # 读取原始图片
        image_name = image_path.split('/')[-1]  # split将以/作为间隔，提取图片名称
        image = cv2.imread(image_path)  # cv2.imread接口读图像，读进来直接是BGR 格式数据格式在 0~255
        image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)  # cv2.cvtColor 将图像转换为RGB
        # 读取原始图片上的真实标注框信息
        # 方法：map将字符类型变为数值类型 list将生成器对象转换输出
        bbox_data_gt = np.array([list(map(int, box.split(','))) for box in annotation[1:]])

        if len(bbox_data_gt) == 0:
            bboxes_gt = []
            classes_gt = []
        else:
            bboxes_gt, classes_gt = bbox_data_gt[:, :4], bbox_data_gt[:, 4]

        # 生成存储带有真实标注框的图片路径
        ground_truth_path = os.path.join(ground_truth_dir_path, str(num) + '.txt')  # os.path.join拼接路径名称
        print('=> ground truth of %s:' % image_name)
        num_bbox_gt = len(bboxes_gt)  # 标注框的数量
        # 将图片上真实标注框信息写入txt文件中
        with open(ground_truth_path, 'w') as f:
            for i in range(num_bbox_gt):
                class_name = CLASSES[classes_gt[i]]
                # list变量赋值技巧：将list各个元素赋值给别的变量
                xmin, ymin, xmax, ymax = list(map(str, bboxes_gt[i]))
                # ' '.join() 将列表里面的元素都合成一个，以空格符作为间隔 '\n'表示换行
                bbox_mess = ' '.join([class_name, xmin, ymin, xmax, ymax]) + '\n'
                f.write(bbox_mess)
                print('\t' + str(bbox_mess).strip())  # '\t' 横向制表符

        print('=> predict result of %s:' % image_name)
        predict_result_path = os.path.join(predicted_dir_path, str(num) + '.txt')
        image_size = image.shape[:2]

    # 第二步：图像预处理
    # 具体：图像比例缩放-填充-均一化
        image_data = utils.image_preporcess(np.copy(image), [INPUT_SIZE, INPUT_SIZE])  # np.copy深拷贝 不会因为image改变而改变
        image_data = image_data[np.newaxis, ...].astype(np.float32)

    # 第三步：模型预测输出
    # 方法：model.predict
    # 具体：将输出进行格式转换
        pred_bbox = model.predict(image_data)
        pred_bbox = [tf.reshape(x, (-1, tf.shape(x)[-1])