/Target_Detection-1

关于YOLO3 模型的目标检测

Primary LanguagePython

Yolo3-keras 实现

有问题！请你们及时反馈

快随启动

读取Darknet配置和权值，并使用TF后端创建Keras模型

python convert.py yolov3.cfg yolov3.weights model_data/yolo.h5

图片检测

python yolo_detection.py --image 
 
随后有输入图片路径的提示，如：Input image filename:

视频检测

python yolo_detection.py --input **A**

**A**:标识进行检测的视频路径

远程跟踪及本地相机检测

python yolo_detection.py --input 0

0：标识打开本地相机开启检测，远程的也是

使用

使用 --help 查看yolo_video.py的用法

使用: yolo_detection.py [-h] [--model MODEL] [--anchors ANCHORS]
                        [--output]

位置参数:[--classes CLASSES] [--gpu_num GPU_NUM] [--image]
                       [--input]

  --input        视频输入路径
  --output       视频输出路径

可选参数:

  -h, --help         显示此帮助消息并退出
  --model MODEL      模型权重文件的路径, 默认 model_data/yolo.h5
  --anchors ANCHORS  锚定义路径, 默认 model_data/yolo_anchors.txt
  --classes CLASSES  类定义的路径, 默认 model_data/coco_classes.txt
  --gpu_num GPU_NUM  要使用的GPU数量, 默认 1
  --image            图像检测模式，将忽略所有位置参数

训练

  • 生成您自己的注释文件和类名文件

    • 一行对应一个图像

    • 行格式：image_file_path box1 box2 ... boxN

    • 盒子格式：x_min,y_min,x_max,y_max,class_id (no space).

    • 对于VOC数据集，请尝试 python voc_annotation.py

    • 这里有一个例子：

    path/to/img1.jpg 50,100,150,200,0 30,50,200,120,3

    path/to/img2.jpg 120,300,250,600,2 ...

你确保已经跑过了

python convert.py -w yolov3.cfg yolov3.weights model_data/yolo_weights.h5

文件model_data/yolo_weights.h5用于加载预先训练好的权重

修改train.py开始训练

python train.py

用您的训练权重或检查点权重与命令行选项 --model model_file 当使用yolo_video.py 记得修改类路径或锚点路径 --classes class_file and --anchors anchor_file.

如果你想为YOLOv3使用原始的预先训练的权重:

https://pjreddie.com/media/files/darknet53.conv.74

将其重命名为darknet53.weights

python convert.py -w darknet53.cfg darknet53.weights model_data/darknet53_weights.h5

use model_data/darknet53_weights.h5 in train.py

参考其他资料