keras-yolov3 高精度国旗检查 资源分享

利用YOLOv3(Keras)进行国旗检测（自己标注1600幅图像） 资源分享

注：本项目提供"旗帜"数据集、使用教程和开源代码，适合目标检测入门上手实战（数据集比较小，适合GPU资源受限的同学）


项目代码：https://github.com/ZzzzzZXxxX/yolo3_keras_Flag_Detection

• 下载本项目预训练权重
  • 权重1 https://pan.baidu.com/s/1X08Mj2owTcOJQfsBEpf0YA
  • 权重2 https://pan.baidu.com/s/1MIBU41gW1x7aqgQhwglAcw
• 修改yolo.py中第24行权重路径
• 将需要检测旗帜图片放入样品文件夹中
• 运行 python yolo_images.py 检测

【数据集提供】

• 旗帜（包含40个种类旗帜），数据来着于网络，数据标注是个苦力活，本数据包含1600多张图片，花费接近一个星期三标注完成，且用且珍惜！
• 链接:https://pan.baidu.com/s/1sgDehVpMUrXb3AHceTimfA 密码:pgmn
• 直接将两个文件夹放置于model_data下
• 旗帜（包含40个种类旗帜），数据来着于网络，数据标注是个苦力活，本数据包含1600多张图片，花费接近一个星期标注完成，且用且珍惜！！！

【训练】
训练自己的数据 无需使用 预训练的权重 （此方法适用于各类数据）

• 步骤1
  • 使用labelImg对数据进行标记得到xml文件，放置于./model_data/label_train/将图片数据放置于./model_data/train/（建议图片宽高大于416，不然影响训练）
  • 将数据类别写入my_classes.txt中（本项目中name_classes.txt为自定义文件，因为数据标记时，标记的为类别id，以便方便检测时直接输出类别，自己的数据预测时将yolo.py中的classes_path修改为自己的）
• 第2步
  • 执行xml_to_data.py生成kitti_simple_label.txt
  • python xml_to_data.py
• 第三步
  • k均值聚类算法生成对应自己样本的锚框尺寸生成my_anchors.txt
  • python kmeans.py
• 第四步
  • 开始训练（建议epochs大于500，如果内存重叠可重复batch_size。其他参数，按照自己的数据，自行修改。）
  • python train.py

【环境】

tensorflow                         1.13.1    
Keras                              2.2.4  
h5py                               2.8.0 
opencv-python                      4.0.0.21  
numpy                              1.16.2