yolo3训练自己的模型 基于TensorFlow-keras（ python）

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

本文主要介绍一下如何配置yolo3-keras环境来进行模型训练。
这方面网上乱七八糟的资料很多，如果你有这方面的需要并且恰好看到了这篇文章，请耐下性子看下去。因为这个比较靠谱。

一、所用到的版本

1、python = = 3.6
2、yolov3
3、TensorFlow-GPU = = 1.15 （这里强烈推荐GPU训练，因为要比CPU快太多太多了，况且重新安装CUDA和CUDNN并不麻烦）
4、CUDA= =10.0 CUDNN= =7.6.5
5、Keras = = 2.3.1

下载传送
(1) yolov3及官方权重文件

https://pan.baidu.com/s/1IvqfJgS1H7reYQCm3EU6Kw 提取码：6hcy

(2) Keras 和TensorFlow

直接用命令行下载即可
pip install tensorflow-gpu==1.15.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

pip install keras ==2.3.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

(3) CUDA 和CUDNN

CUDA ： https://developer.nvidia.com/cuda-toolkit-archive
CUDNN： https://developer.nvidia.com/rdp/cudnn-archive

安装步骤参考 这两个

安装参考这两个，点击此处即可（1）
安装参考这两个，点击此处即可（2）

二、训练自己的模型

1.打开下载的yolo文件夹

打开界面如下：

2.建立如下目录

创建如下的目录

test.py的代码如下：

import os
import random
 
trainval_percent = 0.2
train_percent = 0.8
xmlfilepath = 'VOCdevkit/VOC2007/Annotations'
txtsavepath = 'VOCdevkit/VOC2007/ImageSets/Main'
total_xml = os.listdir(xmlfilepath)
 
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)
 
ftrainval = open('VOCdevkit/VOC2007/ImageSets/Main/trainval.txt', 'w')
ftest = open('VOCdevkit/VOC2007/ImageSets/Main/test.txt', 'w')
ftrain = open('VOCdevkit/VOC2007/ImageSets/Main/train.txt', 'w')
fval = open('VOCdevkit/VOC2007/ImageSets/Main/val.txt', 'w')
 
for i in list:
    name = total_xml[i][:-4] + '\n'
    if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftest.write(name)
        else:
            fval.write(name)
    else:
        ftrain.write(name)
 
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

这里说明一下
logs/000：用来放训练生成的权重文件
JPEGImages：用来存放拍摄目标物体的图片
Annotations：用来存放 标记后生成xml文件（下面会介绍）
ImageSets/Main：用来存放运行test.py后生成的数据文件

3.标记目标

此次用的软件为labelimg，这个很简单2分钟就可学会
具体下载和使用方法可参考这个博主写的

点击此处可跳转

4.修改配置

第一处修改
在voc_annotation.py下修改classes里的内容，我训练，想要识别的的是一个矿泉水，所以我删除了其它内容。（记得和打标签时的拼写统一）

第二处修改
按图示修改

注： 很多博客下都修改了yolo3.cfg文件，其实我们用的是keras并没有用到，所以不用修改。但是要是使用darknet就要修改了。

4.运行test.py文件

运行成功后会生成如下文件：

5.运行train.py文件

开始训练自己的数据集
标红的部分建议改为1，太高的话训练时容易显存跑满报错。
寻
这是成功训练的图

6.漫长的等待

… . … … … … … … …
… . … … … … … … …

7.把生成权重文件转化成.h5文件

在命令行下输入 python convert.py yolov3.cfg yolov3.weights model_data/ yolo.h5（这个看你生成的权重文件是什么名字）
vscode下在这输入即可

8.进行识别

打开yolo.py文件
下载的这个是不全的，在最底下要加上这段才能运行。

然后把刚才转换的.h5权重文件放到指定目录，并在yolo.py修改相关文件名。（见图片）

！！然后就可以开始识别了！！
视频的话上传太麻烦了，如果需要的再联系我吧。
我最后训练的loss值在4左右。

还有一个要注意的地方，我当时训练完以后，识别本地的图片可以但是外接摄像头就没办法识别。这可能是因为训练时是RGB，但CV里读取是按GBR。后来我在如下地方更改了一下就可以识别了。
如果大家遇到和我一样的问题，可以参考一下。

.
由于距当时实际操作有些时间，可能有些地方不是很完善。有问题的话或者操作过程中有解决不了的报错问题，大家可以在文章底下留言，我会尽全力为大家解决的。