keras-yolo3

简介

基于 allanzelener/YAD2K 的启发，这是一个使用 Keras 实现的 YOLOv3（TensorFlow 后端）。

---

快速入门

1. 从 YOLO 官网 下载 YOLOv3 权重文件。
2. 将 Darknet YOLO 模型转换为 Keras 模型。
3. 运行 YOLO 目标检测。

wget https://pjreddie.com/media/files/yolov3.weights
python convert.py yolov3.cfg yolov3.weights model_data/yolo.h5
python yolo_video.py [OPTIONS...] --image，用于图像检测模式，或者
python yolo_video.py [video_path] [output_path (可选)]

对于 Tiny YOLOv3，只需以类似的方式操作，只需通过 --model model_file 和 --anchors anchor_file 指定模型路径和锚点路径。

使用方法

使用 --help 查看 yolo_video.py 的用法：

用法：yolo_video.py [-h] [--model MODEL] [--anchors ANCHORS]
                     [--classes CLASSES] [--gpu_num GPU_NUM] [--image]
                     [--input] [--output]

位置参数：
  --input        视频输入路径
  --output       视频输出路径

可选参数：
  -h, --help         显示此帮助信息并退出
  --model MODEL      模型权重文件路径，默认为 model_data/yolo.h5
  --anchors ANCHORS  锚点定义文件路径，默认为
                     model_data/yolo_anchors.txt
  --classes CLASSES  类别定义文件路径，默认为
                     model_data/coco_classes.txt
  --gpu_num GPU_NUM  使用的 GPU 数量，默认为 1
  --image            图像检测模式，将忽略所有位置参数

---

4. 多 GPU 使用：使用 --gpu_num N 可以使用 N 个 GPU。该参数会传递给 Keras 的 multi_gpu_model()。

训练

1. 生成您自己的标注文件和类别名称文件。
   每行对应一张图片；
   行格式：image_file_path box1 box2 ... boxN；
   框格式：x_min,y_min,x_max,y_max,class_id（无空格）。
   对于 VOC 数据集，可以尝试使用 python voc_annotation.py。
   示例：

   path/to/img1.jpg 50,100,150,200,0 30,50,200,120,3
   path/to/img2.jpg 120,300,250,600,2
   ...
   

2. 确保您已运行 python convert.py -w yolov3.cfg yolov3.weights model_data/yolo_weights.h5。
   文件 model_data/yolo_weights.h5 用于加载预训练权重。

3. 修改 train.py 并开始训练。
   python train.py
   在使用 yolo_video.py 时，可以通过命令行选项 --model model_file 使用您训练好的权重或检查点权重。
   请记得通过 --classes class_file 和 --anchors anchor_file 修改类别路径或锚点路径。

如果您想使用 YOLOv3 的原始预训练权重：
1. wget https://pjreddie.com/media/files/darknet53.conv.74
2. 将其重命名为 darknet53.weights
3. python convert.py -w darknet53.cfg darknet53.weights model_data/darknet53_weights.h5
4. 在 train.py 中使用 model_data/darknet53_weights.h5。

---

需要注意的一些问题

1. 测试环境为：

   • Python 3.5.2
   • Keras 2.1.5
   • tensorflow 1.6.0

2. 默认使用的是标准锚点。如果您使用自定义锚点，可能需要进行一些调整。

3. 推理结果与 Darknet 不完全相同，但差异很小。

4. 速度比 Darknet 慢。如果将 PIL 替换为 OpenCV，可能会稍微提升一些性能。

5. 在训练的第一阶段，始终加载预训练权重并冻结部分层。或者您可以尝试使用 Darknet 进行训练。即使出现不匹配警告也无需担心。

6. 训练策略仅供参考，请根据您的数据集和目标进行调整，并在必要时添加更多策略。

7. 为了加快冻结层的训练过程，可以使用 train_bottleneck.py。它会先计算冻结模型的瓶颈特征，然后再仅训练最后几层。这样可以在 CPU 上以合理的时间完成训练。有关瓶颈特征的更多信息，请参阅 这篇博客文章。

keras-yolo3 快速上手指南

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: Linux / Windows / macOS
• Python: 3.5+ (推荐 3.6+)
• 核心依赖:
  • Keras 2.1.5+
  • TensorFlow 1.6.0+ (作为后端)
  • Pillow (PIL), numpy, scipy, opencv-python

建议使用 pip 安装必要依赖（国内用户可指定清华源加速）：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow keras pillow numpy scipy opencv-python h5py

安装步骤

1. 克隆项目

首先获取源代码：

git clone https://github.com/qqwweee/keras-yolo3.git
cd keras-yolo3

2. 下载预训练权重

从官方站点下载 YOLOv3 的 Darknet 权重文件：

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

(注：如果下载速度慢，可在浏览器中手动下载或使用国内镜像资源)

3. 转换模型格式

将 Darknet 权重转换为 Keras 可用的 .h5 格式：

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

基本使用

转换完成后，即可直接进行图像或视频的目标检测。

图像检测

运行以下命令对单张图片进行检测（结果默认保存或在窗口显示）：

python yolo_video.py --image

程序会提示输入图片路径，或在代码中指定路径。

视频检测

对视频文件进行检测并输出结果视频：

python yolo_video.py [video_path] [output_path (optional)]

示例：

python yolo_video.py test.mp4 output.avi

进阶选项

• 多 GPU 加速: 添加 --gpu_num N 参数（N 为显卡数量）。

  python yolo_video.py --gpu_num 2 --image
  

• 使用 Tiny YOLOv3: 需指定对应的模型和锚点文件。

  python yolo_video.py --model model_data/yolo_tiny.h5 --anchors model_data/yolo_tiny_anchors.txt --image