tensorflow-yolo-v3

在 TensorFlow（TF-Slim）中实现 YOLO v3 目标检测器。完整的教程可以在这里找到：链接。

已在 Ubuntu 16.04 上的 Python 3.5 和 TensorFlow 1.11.0 环境中测试通过。

待办事项：

• YOLO v3 架构
• 基本可用的示例程序
• 权重转换工具（用于将加载的 COCO 权重导出为 TF 检查点）
• 训练流水线
• 更多后端支持

如何运行示例程序：

要在命令行中运行示例程序，请执行以下步骤：

1. 下载 COCO 类别名称文件：wget https://raw.githubusercontent.com/pjreddie/darknet/master/data/coco.names
2. 下载并转换模型权重：
   1. 下载包含所需权重的二进制文件：
      1. 完整权重：wget https://pjreddie.com/media/files/yolov3.weights
      2. Tiny 权重：wget https://pjreddie.com/media/files/yolov3-tiny.weights
      3. SPP 权重：wget https://pjreddie.com/media/files/yolov3-spp.weights
   2. 运行 python ./convert_weights.py 和 python ./convert_weights_pb.py
3. 运行 python ./demo.py --input_img <图片路径> --output_img <输出图片名称> --frozen_model <冻结模型路径>

可选参数

1. convert_weights：
   1. --class_names
      1. 类别名称文件的路径
   2. --weights_file
      1. 所需权重文件的路径
   3. --data_format
      1. NCHW（仅限 GPU）或 NHWC
   4. --tiny
      1. 使用 yolov3-tiny
   5. --spp
      1. 使用 yolov3-spp
   6. --ckpt_file
      1. 输出检查点文件的路径
2. convert_weights_pb.py：
   1. --class_names
      1. 类别名称文件的路径
   2. --weights_file
      1. 所需权重文件的路径
   3. --data_format
      1. NCHW（仅限 GPU）或 NHWC
   4. --tiny
      1. 使用 yolov3-tiny
   5. --spp
      1. 使用 yolov3-spp
   6. --output_graph
      1. 输出 .pb 图的保存路径
3. demo.py：
   1. --class_names
      1. 类别名称文件的路径
   2. --weights_file
      1. 所需权重文件的路径
   3. --data_format
      1. NCHW（仅限 GPU）或 NHWC
   4. --ckpt_file
      1. 检查点文件的路径
   5. --frozen_model
      1. 冻结模型的路径
   6. --conf_threshold
      1. 所需的置信度阈值
   7. --iou_threshold
      1. 所需的 IoU 阈值
   8. --gpu_memory_fraction
      1. 使用的 GPU 内存比例

tensorflow-yolo-v3 快速上手指南

本指南基于 tensorflow-yolo-v3 项目，帮助开发者在 TensorFlow (TF-Slim) 环境中快速部署 YOLO v3 目标检测模型。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统: Ubuntu 16.04 (或其他 Linux 发行版，Windows/macOS 需自行调整路径)
• Python 版本: Python 3.5+
• TensorFlow 版本: TensorFlow 1.11.0 (注意：本项目基于 TF 1.x，不兼容 TF 2.x)
• 依赖库: tf-slim, numpy, Pillow 等常规图像处理库

提示：由于原项目较老，建议使用虚拟环境（如 venv 或 conda）隔离依赖，避免冲突。

安装与模型准备

本项目无需传统的 pip install 安装包过程，主要是克隆代码并下载转换预训练权重。

1. 获取代码

git clone https://github.com/pawekapica/tensorflow-yolo-v3.git
cd tensorflow-yolo-v3

2. 下载类别名称文件

获取 COCO 数据集的类别标签文件：

wget https://raw.githubusercontent.com/pjreddie/darknet/master/data/coco.names

国内加速建议：如果 raw.githubusercontent.com 访问缓慢，可使用国内镜像或代理，例如： wget https://gitee.com/mirrors/darknet/raw/master/data/coco.names -O coco.names (需确认镜像源同步情况)

3. 下载并转换权重

选择您需要的模型版本（全量、Tiny 或 SPP），以下以全量模型为例：

步骤 A: 下载原始权重文件

wget https://pjreddie.com/media/files/yolov3.weights

国内加速建议：若下载受阻，可尝试通过百度网盘等国内资源站搜索 "yolov3.weights" 下载，或配置梯子。

步骤 B: 转换权重格式 运行脚本将 Darknet 权重转换为 TensorFlow 可用的 Checkpoint 和 Frozen Graph (.pb) 格式：

python ./convert_weights.py --weights_file yolov3.weights --class_names coco.names
python ./convert_weights_pb.py --weights_file yolov3.weights --class_names coco.names

执行成功后，当前目录下将生成 .ckpt 索引文件和 yolov3.pb (或类似名称的 frozen model) 文件。

基本使用

完成上述步骤后，即可运行演示脚本对单张图片进行目标检测。

运行检测示例

将 <path-to-image> 替换为您本地图片的路径，<name-of-output-image> 替换为输出图片的名称：

python ./demo.py --input_img <path-to-image> --output_img <name-of-output-image> --frozen_model yolov3.pb

常用参数说明

• --input_img: 输入图片路径。
• --output_img: 检测结果保存路径。
• --frozen_model: 上一步生成的 .pb 模型文件路径。
• --conf_threshold: 置信度阈值（默认通常为 0.5，低于此值的框将被过滤）。
• --iou_threshold: IOU 阈值，用于非极大值抑制 (NMS)。
• --data_format: 数据格式，GPU 环境下推荐设为 NCHW，CPU 或显存不足时使用 NHWC。

示例（指定阈值和数据格式）：

python ./demo.py --input_img test.jpg --output_img result.jpg --frozen_model yolov3.pb --conf_threshold 0.6 --data_format NHWC