三分钟学会yolo目标检测（附源码和中文论文）

标签：yolo yolov3 img 三分钟 Dataset 源码 path py data

本文通过一个车辆目标检测案例，教会你如何使用yolov3训练自己的目标检测模型；案例相关yolov3代码、数据集以及yolov3中文版论文放于文末获取；提供的代码经过严格调试，在windows10下可一键启动训练。

项目介绍
模型训练
模型使用
资源获取

▍项目介绍

任务概述：
本篇文章，我们以车辆检测为例，使用labelimg工具在图片上标注了两个目标类：[car、bus] 。然后使用yolov3来训练一个能够识别检测：【汽车、大巴】的模型。当然我们也可以通过标注其它类别来实现自定义目标检测。
在这里插入图片描述
yolov3代码总览：

文件解释：

checkpoints：存放训练过程中的模型权重文件；
data：存放训练和测试数据集；
log：存放日志文件（可以不用管）；
tools：存放用于解析标注数据的脚本文件；
yolov3：存放模型核心代码文件；
delect.py：模型预测文件；
train.py：模型训练文件；

▍模型训练

模型的训练和预测过程先用视频演示一遍：

yolov3代码演示视频

1. 环境安装
这里默认已经安装好了python3.5以上版本的运行环境；

pip install numpy==1.26.4
pip install opencv_contrib_python==4.5.4.58
pip install opencv_python==4.5.4.58
pip install Pillow==10.4.0
pip install tensorflow==2.10.0

2. 数据准备
本案例数据集使用Labelimg工具进行标注(对Labelimg工具不熟悉的小伙伴请自行查阅相关教程），xml为标注文件。
数据标注好之后，将图片(.jpg文件）和标注文件（.xml文件）划分到train（训练数据集）和test（测试数据集）两个目录。

data/custom_data
├── train/
│   ├── image1.jpg
│   ├── image1.xml
│   ├── image2.jpg
│   ├── image2.xml
└── test/
    ├── image3.jpg
    ├── image3.xml
    ├── image4.jpg
    ├── image4.xml

使用tools目录下的脚本文件XML_to_YOLOv3.py解析标注数据；修改文件第八行的data_dir为标注数据的存放位置：data/custom_data，然后执行代码。

import xml.etree.ElementTree as ET
import os
import glob

foldername = os.path.basename(os.getcwd())
if foldername == "tools": os.chdir("..")

data_dir = '/data/custom_data/'         # 输入的标注数据路径

Dataset_names_path = "data/names.txt"   # 输出的类别
Dataset_train = "data/train.txt"        # 数据的训练数据集路劲
Dataset_test = "data/test.txt"          # 输出的测试数据集路径
is_subfolder = False

Dataset_names = []
      
def ParseXML(img_folder, file):
    for img_path in glob.glob(img_folder+'/*.jpg') + glob.glob(img_folder+"/*.png"):
        xml_file = img_path[:-4] + ".xml"
        tree=ET.parse(open(xml_file))
        root = tree.getroot()
        # image_name = root.find('filename').text
        # img_path = img_folder+'/'+image_name
        for i, obj in enumerate(root.iter('object')):
            difficult = obj.find('difficult').text
            cls = obj.find('name').text
            if cls not in Dataset_names:
                Dataset_names.append(cls)
            cls_id = Dataset_names.index(cls)
            xmlbox = obj.find('bndbox')
            OBJECT = (str(int(float(xmlbox.find('xmin').text)))+','
                      +str(int(float(xmlbox.find('ymin').text)))+','
                      +str(int(float(xmlbox.find('xmax').text)))+','
                      +str(int(float(xmlbox.find('ymax').text)))+','
                      +str(cls_id))
            img_path += ' '+OBJECT
        print(img_path)
        file.write(img_path+'\n')

def run_XML_to_YOLOv3():
    for i, folder in enumerate(['train','test']):
        with open([Dataset_train,Dataset_test][i], "w") as file:
            print(os.getcwd()+data_dir+folder)
            img_path = os.path.join(os.getcwd()+data_dir+folder)
            if is_subfolder:
                for directory in os.listdir(img_path):
                    xml_path = os.path.join(img_path, directory)
                    ParseXML(xml_path, file)
            else:
                ParseXML(img_path, file)

    print("Dataset_names:", Dataset_names)
    with open(Dataset_names_path, "w") as file:
        for name in Dataset_names:
            file.write(str(name)+'\n')

run_XML_to_YOLOv3()

names.txt、train.txt、test.txt为运行之后生成的标注数据解析文件，可以直接用于模型训练。
在这里插入图片描述