tf2-yolov3训练自己的数据集

tf2相比于tf1来说更加的友好，支持了Eager模式，代码和keras基本相同，所以代码也很简单，下面就如何用tf2-yolov3训练自己的数据集。
项目的代码包：链接: tf2-yolov3.需要自行下载
至于tf2-yolov3的原理可以参考这个链接，我觉得是讲的最好一个：链接: yolov3算法的一点理解.

1、配置相关的环境

我是在linux上跑的，linux上配环境比较简单，相关windows配环境可以看这个博客：
链接: tensorflow-gpu环境搭建超级详细博客.

2、使用官方权重进行预测

1、进入到目标文件夹内

cd yolo_tf2.1/

2、输入 python convert.py 生成tf可用的模型

输出的yolov3.tf 保存在checkpoint里面。
3、开始检测
1)检测照片：

python detect.py --image ./data/people.jpg

这样便是成功的

2)打开摄像头进行预测：

python detect_video.py --video 0

3) 对视频流进行预测

python detect_video.py --video test.mp4 --output ./test_output.avi

经过以上测试，表示这个代码包可以正常的使用了，就可以利用TensorFlow2-yolov3来进行检测了，下一步我们来介绍一下如何训练自己的数据集。

3、训练自己的模型文件，并且识别

1）建立数据集文件夹

其中Annootation:存放标注好的**.xml**文件
JPEGImages : 自己搜集好的一些图片

2）添加图片并且标注（labelimg软件）

软件的下载地址：目标检测标注工具labelImg使用方法
记得要将图片保存到Annootation文件夹里面
…直到标注完所有的图片

3）建立.txt文件

//VOC2012//ImageSets//Main路径下


把你要训练的还有验证的数据文件都给写到.txt文件里面，方便程序对数据进行读取。

下面这段程序可以获取图片名称，因为每个人的图片的名称不一样，所以需要做相应的调整：

import os,glob
path = r"C:\Users\TSK\Desktop\yolo_tf2.1\VOCdevkit\VOC2012\JPEGImages"
path_list=os.listdir(path)
path_list.sort()  #对列表进行格式化
for i in path_list[0:320] :  #训练的样本
       print(i[:-4]+" -1")
for i in path_list[320：-1] :  #验证的样本
       print(i[:-4]+" -1")

4）建立标签.names文件

在yolo_tf2.1/data文件夹下

里面写入的就是自己要训练的类别，有哪些类，就写入那些名称。

5）生成tfrecord文件（train和val）

这个文件的作用大概就是：这么多的图片，你让TensorFlow挨个去读取的话，很占内存，很费时间，原来很占内存，现在只用占一点点，终究一个还是节省内存，读取速度加快。
通过 .txt文件来读取

看自己的 .txt 文件是什么名字，这个地方得相应的改一下
训练集：

python tools/voc2012.py --data_dir ./VOCdevkit_fire/VOC2012 --split train --output_file ./data/voc2012_train_dlsb.tfrecord --classes ./data/dlsb.names

先解释一下部分含义，感觉没啥好解释的，都是字面意思 （捂脸笑）
一开始可能会出现这种情况，转tfrecord文件的时候可能会出点问题

然后我百度了一下，发现是这样一个原因：
错误的意思是：Unicode的解码（Decode）出现错误了，以gbk编码的方式去解码（该字符串变成Unicode），但是此处通过gbk的方式，却无法解码（can’tdecode）.’'illegalmultibyte sequence"的意思是非法的多字节序列，也就是说无法解码了。
我在源代码中添加了这个就可以正确的执行了,encoding = 'utf-8'如下：

我觉得还是那个.txt文件的格式不对，所以他读取不了，给它特定的格式就能够正确的读取了。

测试集：

python tools/voc2012.py  --data_dir ./VOCdevkit_fire/VOC2012  --split val  --output_file  ./data/voc2012_val_dlsb.tfrecord --classes ./data/dlsb.names

出现这样表示已经转tfrecord成功。

6）进行迁移训练

python train.py --dataset ./data/voc2012_train_dlsb.tfrecord --val_dataset ./data/voc2012_val_dlsb.tfrecord --classes ./data/dlsb.names --num_classes 3 --mode fit --transfer darknet --batch_size 4 --epochs 150 --weights ./checkpoints/yolov3.tf --weights_num_classes 80

先简单的进行150个epochs的训练：

静待结果。。。。

损失函数下降到16，还不是特别好

7）进行模型测试

python detect.py --classes ./data/three.names --num_classes 3 --weights ./checkpoints/yolov3_train_150.tf --image ./000002.jpg --yolo_score_threshold 0.3

准确度还不是很高…正在改进中…