Introduction
主要对原tensorflow-yolov3版本做了许多细节上的改进,训练了Visdrone2019数据集，准确率在87%左右, 如果觉得好用记得star一下哦，谢谢！ 步骤十分详细，特别适合新手入门serving端部署，有什么问题可以提issues,下面是改进细节:
1 修改了网络结构，支持了tensorflow-serving部署,自己训练的数据集也可以在线部署,并给出了 docker+yolov3-api测试脚本
2 修改了ulits文件，优化了demo展示,可以支持中文展示,添加了字体
3 详细的中文注释,代码更加易读,添加了数据敏感性处理,一定程度避免index的错误
4 修改了训练代码，支持其他数据集使用预训练模型了，模型体积减小二分之一(如果不用指数平滑，可以减小到200多M一个模型，减小三分之二），图片视频demo展示 完都支持保存到本地,十分容易操作
5 借鉴视频检测的原理,添加了批量图片测试脚本,速度特别快(跟处理视频每一帧一样的速度)
6 添加了易使用的Anchors生成脚本以及各步操作完整的操作流程
Part 1. demo展示
- 下载这份代码(本算法暂时是在ubuntu1804系统上实现的,后续更新windows版本)
$ git clone https://github.com/byronnar/tensorflow-serving-yolov3.git
$ cd tensorflow-serving-yolov3
$ pip install -r requirements.txt
- 下载预训练模型放到 checkpoint文件夹里面
百度网盘链接: https://pan.baidu.com/s/1Sz5c5WoyL31HRVCvGz8_IQ 密码:Q4j1
谷歌云盘链接: https://drive.google.com/open?id=1aVnosAJmZYn1QPGL0iJ7Dnd4PTAukSU4
$ cd checkpoint
$ tar -xvf yolov3_coco.tar.gz
$ cd ..
$ python convert_weight.py
$ python freeze_graph.py
- Then you will get the
.pbfile in the root path., and run the demo script
$ python image_demo_Chinese.py # 中文显示
$ python image_demo.py # 英文显示
$ python video_demo.py # if use camera, set video_path = 0
Chinese image:
- 转化成 可部署的 saved model格式
$ python save_model.py
- 将产生的saved model文件夹里面的
yolov3文件夹复制到tmp文件夹下面，再运行
$ docker run -p 8501:8501 --mount type=bind,source=/tmp/yolov3/,target=/models/yolov3 -e MODEL_NAME=yolov3 -t tensorflow/serving &
$ cd serving-yolov3
$ python yolov3_api.py
Api Results:
- 模型评估 修改 config文件里面 的 # TEST options 部分
$ python evaluate.py
$ cd mAP
$ python main.py -na
工业检测数据集mAP：
Part 2. 详细训练过程
2.1先准备好数据集,做成VOC2007格式,再通过聚类算法产生anchors（也可以采用默认的anchors，除非你的数据集跟voc相差特别大, 数据集可以用官方VOC2007）
$ python anchors_generate.py
2.2 产生训练数据txt文件
$ python split.py
train.txt 里面应该像这样: xxx/xxx.jpg 18.19,6.32,424.13,421.83,20 323.86,2.65,640.0,421.94,20 xxx/xxx.jpg 48,240,195,371,11 8,12,352,498,14 image_path x_min, y_min, x_max, y_max, class_id x_min, y_min ,..., class_id x_min, y_min etc. corresponds to the data in XML files
2.3 修改names文件
- [
class.names]
person
bicycle
car
...
toothbrush
Train: 2.4 修改 config.py 文件，主要根据显存大小，注意batch_size，输入尺寸等参数
$ python train.py
$ python freeze_graph.py
2.5 预测,修改 路径等相关参数: 修改 image_demo.py等文件
$ python image_demo.py
Visdrone results：
2.6 产生pb文件跟variables文件夹用于部署:
1 Using own datasets to deployment, you need first modify the yolov3.py line 47
$ python save_model.py
2 将产生的saved model文件夹里面的 yolov3 文件夹复制到 tmp 文件夹下面，再运行
$ docker run -p 8501:8501 --mount type=bind,source=/tmp/yolov3/,target=/models/yolov3 -e MODEL_NAME=yolov3 -t tensorflow/serving &
$ cd serving-yolov3
$ python yolov3_api.py
接下来要做的:
编写一下文档,方便大家windows下运行这个仓库!