yolo目标检测实现

目录介绍：

https://blog.csdn.net/qq_33485434/article/details/80907040 yolo参数介绍

https://pjreddie.com/darknet/yolo/ 官方介绍

---

根目录：keras-yolo3（随意建立）

下层目录：

logs用于存放训练后的模型，model_data用于存放标签类别数据，Segmentationclass用于生成测试生成的图片，VOC2007用于存放训练数据，JPEGimages用于存放原始图片，Annotations 用于存放生成的xml数据（链接：https://pan.baidu.com/s/1EhVeWBiS8YKBD0552g3DLg 
提取码：4zhe），ImageSets用于存放生成的训练文件目录：

注：keras-yolo3中本来没有voc2007文件，方便起见加进去的，keras-yolo3 git 路径[email protected]:qqwweee/keras-yolo3.git

 

操作步骤：

---

一.把要训练的图片都复制到JPEGImages里面

二.利用网盘下载的文件labelmodel 对照片进行手动打标签生成xml文件

三.利用下面的代码生成训练测试的图片标签并保存在traintest等文件

import os
import random

trainval_percent = 0.1
train_percent = 0.9
xmlfilepath = 'Annotations'
txtsavepath = '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('ImageSets/Main/trainval.txt', 'w')
ftest = open('ImageSets/Main/test.txt', 'w')
ftrain = open('ImageSets/Main/train.txt', 'w')
fval = open('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()

四.修改voc_annotation.py文件，把class中的class 修改为你需要的分类标签，classes= ['bee','laby..']

五.修改参数文件yolo3.cfg

IDE里直接打开cfg文件，ctrl+f搜 yolo, 总共会搜出3个含有yolo的地方，睁开你的卡姿兰大眼睛，3个yolo！！

 每个地方都要改3处，filters：3*（5+len（classes））；

                                    classes: len(classes) = 3，这里以红、黄、蓝三个颜色为例 

                                    random：原来是1，显存小改为0

    
六.yolo3.cfg转换weight文件

这个文件是用于转换官网下载的.weights文件用的。训练自己的网络并不需要去管他。详见readme

https://pjreddie.com/media/files/yolov3.weights

第七步：修改model_data下的文件，放入你的类别，coco,voc这两个文件都需要修改。

    像这样：

   

  第八步：修改代码，准备训练。代码以yolo3模型为目标，tiny_yolo不考虑。

    1、会加载预先对coco数据集已经训练完成的yolo3权重文件，

    2、冻结了开始到最后倒数第N层（源代码为N=-2），、

  ，所以，可以冻结的少一点让他模型可以多训练一点属于自身的东西（没有测试过还是利用给的从开始到倒数第N层）直接运行，loss达到10几的时候效果就可以了

九.预测图片。修改了yolo_video.py下的预测图片的函数，将检测的图片都储存在了outdir里,转化为yolo_img.py脚本如下，预测的时候要用cmd命令行运行，因为argparse如果不适用默认参数配置，不能jupyter中执行，报错为unrecognized arguments 

process finished with exit code 2

'''
def detect_img(yolo):
    while True:
        img = input('Input image filename:')
        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()
'''
import glob
def detect_img(yolo):
    path = "D:\VOCdevkit\VOC2007\JPEGImages\*.jpg"
    outdir = "D:\\VOCdevkit\VOC2007\SegmentationClass"
    for jpgfile in glob.glob(path):
        img = Image.open(jpgfile)
        img = yolo.detect_image(img)
        img.save(os.path.join(outdir, os.path.basename(jpgfile)))
    yolo.close_session()
 

import sys
import argparse
from yolo import YOLO, detect_video
from PIL import Image

import glob
import os

os.chdir('E:\work\VOC2007\keras-yolo3')


def detect_img(yolo):
    path = "./241.jpg"
    outdir = "./SegmentationClass"
    for jpgfile in glob.glob(path):
        img = Image.open(jpgfile)
        img = yolo.detect_image(img)
        img.save(os.path.join(outdir, os.path.basename(jpgfile)))
    yolo.close_session()


FLAGS = None

parser = argparse.ArgumentParser(argument_default=argparse.SUPPRESS)

##parser.parse_args()


'''

Command line options
'''
parser.add_argument(
    '--model', type=str,
    help='path to model weight file, default ' + YOLO.get_defaults("model_path")
)

parser.add_argument(
    '--anchors', type=str,
    help='path to anchor definitions, default ' + YOLO.get_defaults("anchors_path")
)

parser.add_argument(
    '--classes', type=str,
    help='path to class definitions, default ' + YOLO.get_defaults("classes_path")
)

parser.add_argument(
    '--gpu_num', type=int,
    help='Number of GPU to use, default ' + str(YOLO.get_defaults("gpu_num"))
)

parser.add_argument(
    '--image', default=False, action="store_true",
    help='Image detection mode, will ignore all positional arguments'
)
'''
Command line positional arguments -- for video detection mode
'''
parser.add_argument(
    "--input", nargs='?', type=str, required=False, default='./path2your_video',
    help="Video input path"
)

parser.add_argument(
    "--output", nargs='?', type=str, default="",
    help="[Optional] Video output path"
)

FLAGS = parser.parse_args()
print(FLAGS)
detect_img(YOLO(**vars(FLAGS)))