YOLOv3

使用 Keras（TensorFlow 后端）实现的 YOLOv3 目标检测。

基于论文 YOLOv3: An Incremental Improvement。

需求

• OpenCV 3.4
• Python 3.6
• Tensorflow-gpu 1.5.0
• Keras 2.1.3

快速开始

• 下载官方 yolov3.weights，并将其放置在项目根目录下。

• 运行以下命令，将 Darknet 权重文件转换为 Keras 的 h5 文件。yad2k.py 是基于 allanzelener/YAD2K 修改而来。

python yad2k.py cfg\yolo.cfg yolov3.weights data\yolo.h5

• 运行以下命令以展示演示效果。结果将保存在 images\res\ 文件夹中。

python demo.py

演示结果

可以看出，YOLOv3 比 YOLOv2 具有更好的分类能力。

待办事项

• 训练模型。

参考文献

@article{YOLOv3,  
  title={YOLOv3: An Incremental Improvement},  
  author={J Redmon, A Farhadi },
  year={2018}

版权

详情请参阅 LICENSE。

YOLOv3 快速上手指南

本指南基于 Keras (TensorFlow 后端) 实现的 YOLOv3 目标检测模型，帮助开发者快速在本地运行演示。

环境准备

在开始之前，请确保您的系统满足以下依赖要求：

• 操作系统: Windows / Linux / macOS
• Python: 3.6
• OpenCV: 3.4
• TensorFlow-GPU: 1.5.0
• Keras: 2.1.3

提示：由于版本较老（TF 1.5 + Keras 2.1），建议创建独立的虚拟环境以避免依赖冲突。国内用户可使用清华源或阿里源加速安装：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==1.5.0 keras==2.1.3 opencv-python==3.4

安装步骤

1. 获取预训练权重

下载官方 Darknet 权重文件 yolov3.weights，并将其放置在项目根目录下。

• 下载地址：yolov3.weights
• 国内加速下载（推荐）：若官方链接缓慢，可尝试通过国内镜像站或网盘资源获取同名文件。

2. 转换权重格式

将 Darknet 格式的权重转换为 Keras 可用的 .h5 格式。执行以下命令：

python yad2k.py cfg\yolo.cfg yolov3.weights data\yolo.h5

注：该脚本基于 YAD2K 修改而成。

基本使用

完成权重转换后，即可运行演示脚本进行目标检测。

执行命令：

python demo.py

运行结束后，检测结果图片将保存在 images\res\ 文件夹中。您可以对比原图与结果图，观察 YOLOv3 在分类能力上相较于 YOLOv2 的提升。