🆕 你在寻找用 TF2.0 实现的新版 YOLOv3 吗？

如果你非常讨厌 TensorFlow 1.x，别担心！我已经用 TF2.0 实现了一个全新的 YOLOv3 仓库，并且还写了一篇中文博客，讲解如何从零开始实现 YOLOv3 目标检测器。
代码 | 博客 | 问题

第一部分：快速入门

1. 克隆本项目

$ git clone https://github.com/YunYang1994/tensorflow-yolov3.git

2. 在开始使用这些代码之前，你需要先安装一些依赖项。

$ cd tensorflow-yolov3
$ pip install -r ./docs/requirements.txt

3. 导出已加载的 COCO 权重为 TF 检查点（yolov3_coco.ckpt）【百度网盘】

$ cd checkpoint
$ wget https://github.com/YunYang1994/tensorflow-yolov3/releases/download/v1.0/yolov3_coco.tar.gz
$ tar -xvf yolov3_coco.tar.gz
$ cd ..
$ python convert_weight.py
$ python freeze_graph.py

4. 完成后，你会在根目录下得到一些 .pb 文件，然后运行示例脚本：

$ python image_demo.py
$ python video_demo.py # 如果使用摄像头，将 video_path 设置为 0

第二部分：训练自己的数据集

你需要准备以下两个文件：

• dataset.txt:

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
# 图片路径 x_min, y_min, x_max, y_max, 类别ID  x_min, y_min ,..., 类别ID 
# 确保 x_max < 宽度 并且 y_max < 高度

• class.names:

person
bicycle
car
...
toothbrush

2.1 在 VOC 数据集上训练

下载 PASCAL VOC 的 trainval 和测试数据：

$ wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar
$ wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar
$ wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtest_06-Nov-2007.tar

将所有这些压缩包解压到一个目录中并重命名，最终应具有如下基本结构：

VOC           # 路径： /home/yang/dataset/VOC
├── test
|    └──VOCdevkit
|        └──VOC2007 (来自 VOCtest_06-Nov-2007.tar)
└── train
     └──VOCdevkit
         └──VOC2007 (来自 VOCtrainval_06-Nov-2007.tar)
         └──VOC2012 (来自 VOCtrainval_11-May-2012.tar)
                     
$ python scripts/voc_annotation.py --data_path /home/yang/test/VOC

然后编辑 ./core/config.py 进行必要的配置：

__C.YOLO.CLASSES                = "./data/classes/voc.names"
__C.TRAIN.ANNOT_PATH            = "./data/dataset/voc_train.txt"
__C.TEST.ANNOT_PATH             = "./data/dataset/voc_test.txt"

这里有两种训练方式：

(1) 从头开始训练：

$ python train.py
$ tensorboard --logdir ./data

(2) 基于 COCO 权重进行训练（推荐）：

$ cd checkpoint
$ wget https://github.com/YunYang1994/tensorflow-yolov3/releases/download/v1.0/yolov3_coco.tar.gz
$ tar -xvf yolov3_coco.tar.gz
$ cd ..
$ python convert_weight.py --train_from_coco
$ python train.py

2.2 在 VOC 数据集上评估

$ python evaluate.py
$ cd mAP
$ python main.py -na

在 VOC2012 数据集上的 mAP 结果：

第三部分：其他实现

-YOLOv3目标检测有了TensorFlow实现，可用自己的数据来训练

-Stronger-yolo

- 在 Tensorflow 中实现 YOLO v3（TF-Slim）

- YOLOv3_TensorFlow

- 使用 YOLOv2 在 Pascal VOC2012 数据集上进行目标检测

-理解 YOLO

tensorflow-yolov3 快速上手指南

本指南基于 tensorflow-yolov3 项目，帮助开发者快速在本地部署并运行 YOLOv3 目标检测模型。

1. 环境准备

• 系统要求：Linux / macOS / Windows (需配置好 Python 环境)
• 核心依赖：
  • Python 3.x
  • TensorFlow 1.x (注意：本项目基于 TF1.x，若需 TF2.0 版本请参考作者其他仓库)
  • OpenCV, NumPy 等常见图像处理库
• 网络建议：下载预训练权重时，推荐使用文中提供的百度网盘链接以获得更快速度。

2. 安装步骤

2.1 克隆项目

$ git clone https://github.com/YunYang1994/tensorflow-yolov3.git
$ cd tensorflow-yolov3

2.2 安装依赖

$ pip install -r ./docs/requirements.txt

2.3 获取预训练权重并转换

本项目提供 COCO 数据集的预训练权重。为了加速下载，优先使用百度网盘资源，或按以下步骤操作：

1. 下载权重：

   • 方式 A (推荐国内用户)：访问 百度网盘链接 下载 yolov3_coco.tar.gz 并放入 checkpoint 目录。
   • 方式 B (GitHub Release)：

     $ cd checkpoint
     $ wget https://github.com/YunYang1994/tensorflow-yolov3/releases/download/v1.0/yolov3_coco.tar.gz
     $ tar -xvf yolov3_coco.tar.gz
     $ cd ..
     

2. 转换权重格式： 将下载的权重转换为 TensorFlow 可用的 checkpoint 和冻结图 (.pb) 文件。

   $ python convert_weight.py
   $ python freeze_graph.py
   

   执行完成后，根目录下将生成 .pb 模型文件。

3. 基本使用

完成上述步骤后，即可直接运行演示脚本进行图片或视频检测。

3.1 图片检测

$ python image_demo.py

程序会自动读取默认图片并进行检测，结果将保存或显示。

3.2 视频/摄像头检测

$ python video_demo.py

• 检测视频文件：修改脚本内的 video_path 为视频文件路径。
• 调用摄像头：将脚本内的 video_path 设置为 0。

  # 在 video_demo.py 中设置
  video_path = 0
  

---

注：如需使用自定义数据集训练，请参照原 README "part 2" 部分准备 dataset.txt 标注文件和 class.names 类别文件，并修改 core/config.py 中的路径配置。