code resouces : https://github.com/thtrieu/darkflow
labeling tool : https://github.com/tzutalin/labelImg
dataset preparation referece : https://blog.csdn.net/hysteric314/article/details/54097845
第2種：label.txt檔。裡面是類別名稱，一行寫1個類別名稱，所以如果要train yolo去分辨4種類別，在label.txt中就會有4行。放在./darkflow-master資料夾中
第3種：影像的label資料，必須是.xml檔，所以用labelImg這個工具，一開始就先選好最後是輸出.txt(選YOLO)還是.xml檔(選VOC)。輸出的.xml放在./darkflow-master/train/Annotations資料夾中
第4種：.cfg檔。這次我用的是yolo v2，所以必須先到darknet下載，在cfg資料夾中找到相對應的.cfg (例如這次用的是yolov2-tiny.cfg)，然後放在./darkflow-master/cfg資料夾中。接著，修改這個檔案的內容及檔名(修改檔名的目的是為了讓自己好記)。在.cfg中最底下有一個[region]區塊，裡面的classes修改成自己要訓練的類別數量（例如這次是4種類別），然後在最後一個[convolutional]修改filter的數量（公式：5*(classes+coords+1)）（例如這次是5*(4+4+1)=45），然後存成自己想要的檔名(這裡用yolov2-tiny-test.cfg)，放在./darkflow-master/cfg資料夾中
第5種：.weight檔。一樣到darknet下載和.cfg對應的.weight檔，例如這次就要下載yolov2-tiny.weight，放在./darkflow-master/bin資料夾中
第6種：.names檔。在原本darkflow資料夾中沒有data這個資料夾，所以自己新增一個./darkflow-master/data，在data資料夾中新增一個記事本，裡面放的內容跟label.txt一樣，只是最後要存成.names檔。(這次存成test.names)
第7種：.data。到darknet的data資料夾中下載voc.data，然後修改裡面的內容。第一行的'classes = 20'數量修改成要訓練的類別數量、第四行的'names = data/voc.names'修改成'names = data/test.names'(test這個名稱是在上一步驟的.names檔的名稱，所以不一定每個人都要一樣)，存成自己想要的檔名(這次存成test.data)後放到./darkflow-master/cfg資料夾中。
darkflow所有的使用方法可以直接參考darkflow網頁，只是要注意一點，在有用到flow這個功能的時候，如果跟我一樣是在命令提示字元下使用的，就要改成'python ./flow'。在這裡只記錄安裝及訓練這2個動作的流程(都在cmd下進行下列動作)
1. 安裝：
d:
cd D:/darkflow-master
python3 setup.py build_ext --inplace
安裝過程如果遇到"darkflow AssertionError: expect 44948596 bytes, found 44948600"這種錯誤訊息: 在./darkflow-master/darkflow/utils/loader.py中的class weights_walker的self.offset=16改成改成self.offset=20就可以解決
2. 查看flow有哪些功能:
python ./flow --h
3. 使用darknet已經訓練好的model來做圖片辨識
#先initialize model
python ./flow --model cfg/yolov2.cfg
#再用.cfg和.weights檔來預測
python ./flow --model cfg/yolov2.cfg --load bin/yolov2.weights --imgdir sample_img/
#預測的結果會在./sample_img/out/裡面
#想看到預測的結果的bounding box訊息，就要加入json參數
python ./flow --model cfg/yolov2.cfg --load bin/yolov2.weights --imgdir sample_img/ --json
4. 用自己的dataset訓練：
python ./flow --model cfg/yolov2-tiny-test.cfg --load bin/yolov2-tiny.weights --train --annotation train/Annotations --dataset train/Images #(只有用CPU)
python ./flow --model cfg/yolov2-tiny-test.cfg --load bin/yolov2-tiny.weights --train --annotation train/Annotations --dataset train/Images --gpu 1.0 #(用了100%的GPU)
# 也可以選擇optimizer
python ./flow --model cfg/yolov2-tiny-test.cfg --load bin/yolov2-tiny.weights --train --annotation train/Annotations --dataset train/Images --trainer adam
訓練完自己的model之後，我們可以有底下幾種操作方式來do testing：
1. 我們會在darkflow資料夾中看到一個ckpt資料夾，裡面有checkpoint和.meta和.profile檔。先產生.pb檔（在darkflow的github有說明.pb檔）再進行預測
python ./flow --model cfg/yolov2-tiny-test.cfg --load bin/yolov2-tiny.weights --savepb
python ./flow --pbLoad built_graph/yolov2-tiny-test.pb --metaLoad built_graph/yolov2-tiny-test.meta --imgdir sample_img/
2. 直接用.cfg和.weights檔進行預測
python ./flow --model cfg/yolov2-tiny-test.cfg --load bin/yolov2-tiny.weights --imgdir sample_img/
3. 在上述兩個步驟，都可以透過改變threshold值來提高或降低"model的敏感度"，threshold值越小，model越敏感
python ./flow --model cfg/yolov2-tiny-test.cfg --load bin/yolov2-tiny.weights --imgdir sample_img/ --threshold 0.25
thtrieu/darkflow#80 http://christopher5106.github.io/object/detectors/2017/08/10/bounding-box-object-detectors-understanding-yolo.html