需下载：python3.5.2 tensorflow1.6 keras2.1.5 h5py
一、下载keras-yolov3
git clone https://github.com/qqwweee/keras-yolo3.git
二、下载yolov3权重文件
https://pjreddie.com/media/files/yolov3.weights
将yolov3.weights权重文件放到keras-yolov3文件夹中
三、转换YOLO的weights文件格式为Keras的格式：
python convert.py yolov3.cfg yolov3.weights model_data/yolo.h51、出现错误：module tensorflow has no attribute get_default_graph
原因：keras和TensorFlow的版本过高导致模块不存在或者已经更改不再兼容。
不知道这里是不是因为我的cuda和cudnn版本与tensorflow不匹配。我的cuda=8，cudnn=5.1，但是根据下图中，我应该安装tensorflow1.2.0的版本。
解决：
先卸载原来的版本
pip uninstall tensorflow # 卸载tf
pip uninstall keras # 卸载keras
再安装
pip install tensorflow==1.2.0
pip install keras==2.0.9
2、出现错误：TypeError: buffer is too small for requested array
原因：我的是因为yolov3.weights文件有问题。
解决：我重新下载的yolov3.weights权重文件。然后就没问题了。
3、出现错误：ImportError: `save_model` requires h5py.
原因：没有安装h5py
解决：pip3 install h5py(速度太慢)
（使用国内镜像下载：pip3 install h5py -i http://pypi.douban.com/simple --trusted-host pypi.douban.com）
四、运行测试
# cd到keras-yolov3目录下
python yolo.py1、出现错误：ImportError: No module named 'matplotlib'
原因：没有安装matplotlib
解决：
2、python导入tensorflow时出现错误
原因：numpy版本太高
解决方法：pip3 install numpy==1.16.0
3、
出现警告：
意思是你的 CPU 支持AVX AVX2 （可以加速CPU计算），但你安装的 TensorFlow 版本不支持。
我忽略了。
4、
出现错误：
这个问题真的很抓狂。又是tensorflow版本的问题。具体我也不知道哪出问题了。反正我是把tensorflow和keras全部卸载掉，然后重新安装的tensorflow==1.6.0和keras==2.1.5。然后再运行yolo.py就没问题了。
运行yolo.py之前，需要对yolo.py进行修改：在最后加上以下代码：
def detect_img(yolo):
while True:
img = input('Input image filename:')
if img == 'exit':
break
else:
try:
image = Image.open(img)
except:
print('Open Error! Try again!')
continue
else:
r_image = yolo.detect_image(image)
r_image.show()
yolo.close_session()
if __name__ == '__main__':
detect_img(YOLO())
保存，退出。
在keras-yolov3目录下放一张你即将检测用到的图片。
cd到keras-yolov3目录
终端输入：python yolo.py
然后会提示你输入需要检测的图片名字：
输入后，就会显示检测结果。关闭检测结果，会接着让你输入下一张检测图片名字。如果你不想检测了，就输入exit退出检测。
插曲1：ubuntu中的nvidia驱动不见了。出现了以下错误：
原因：系统内核与我之前安装的nvidia驱动不匹配。nvidia驱动是我在4.15.0-45时候安装的，但是不知道在怎么的，系统自己更新到了4.15.0-91。
我看到网上有说这样解决的：
step1：sudo apt-get install dkms
step2: sudo dkms install -m nvidia -v 410.73（这个是你自己之前安装的nvidia版本号）
但是，我用这个方法根本没有解决问题。。。。。。
>>>>>>以下是真正的解决方法：
首先，你可以在终端输入：
grep menuentry /boot/grub/grub.cfg
查看一下自己系统的内核信息：（下图是我借的网上的）可以看到存在着不同的内核版本信息。
解决：重启。在以下界面选择第二行的‘Advanced options for Ubuntu’。
进入后，会出现几个版本的内核（下图是我借的网上的）。选择第二新的内核，比如我最新的时4.15.0-91，第二新的时4.15.0-45，我就选择了4.15.0-45。然后回车，进入系统。
打开终端，输入：
# 查看当前系统内核版本
uname -r
# 查看nvidia相关信息
nvidia-smi另外！如果你需要一致保持该内核版本使用。你就要修改ubuntu默认开机启动的内核版本。
终端输入：
sudo gedit /etc/default/grub将下图中的GRUB_DEFAULT=0 修改为：GRUB_DEFAULT="1> 3"（注意>和3之间有一个空格）
（注：1 代表主菜单的第二项Advanced options for Ubuntu；3代表1项目下面对应的子菜单里面的第4项；）
修改后：
保存后退出。然后在终端输入：
sudo update-grub这样，以后就会在该版本的内核下启动ubuntu。
（参考博客：https://blog.csdn.net/sinat_23619409/article/details/85220561）
插曲2：I tensorflow/core/common_runtime/gpu/gpu_device.cc:1030 Creating Tensotrflow devices.....
在执行convert.py时，在这个地方卡住了。一直卡在I tensorflow/core/common_runtime/gpu/gpu_device.cc:1030 Creating Tensotrflow devices......
不要着急，耐心等待。
插曲3：我在另一台服务器上配置运行的时候，出现了其他的问题。
问题1：Loaded runtime CuDNN library: 7501 (compatibility version 7500) but source was compiled with 7004 ........
是cudnn版本的问题。服务器上有cuda=8.0(cudnn=5.1.0)和cuda=9.0(cudnn=)。之前用的一直是cuda=8.0，出了问题后，我就换成了cuda=9.0，然后就可以了。
(因为在之前的电脑上没有用gpu，所以没有出现cudnn版本问题)
问题2：AttributeError: module ‘tensorflow.python.ops.nn’ has no attribute ‘leaky_relu
是tensorflow的问题。我安装的是tensorflow=1.6.0，然后我卸载后安装的tensorflow-gpu=1.6.0
