基于《自有数据集上,如何用keras最简单训练YOLOv3目标检测》
原项目地址：keras-yolo3-improved
selfdata_keras_yolov3.ipynb，训练ipynb
selfdata_yolov3_test.ipynb，预测ipynb
yolo_matt.py,预测时候改进输出结果
首先基于作者数据进行训练，而后自己提供数据集解决专门问题。
一、数据准备
地址，xmin,ymin,xmax,ymax，类别ID然后空格下一个box，每张图一行。
/images_all
/
86900fb6gy1fl4822o7qmj22ao328qv7.jpg
10,
259,
399,
580,
27
images
/images_all
/b95fe9cbgw1eyw88vlifjj20c70hsq46.jpg
10,
353,
439,
640,
29
images
/images_all
/
005CsCZ0jw1f1n8kcj8m1j30ku0kumz6.jpg
75,
141,
343,
321,
27
二、网络训练
原keras源码中有两段训练：
249层进行迁移学习（原有的yolov3）
第二段解冻全部层进行训练
由于使用专业领域图像，与原有的yolov3训练集差异太大， 所以第一阶段的迁移学习阶段没用，故 直接开始第二段或重新根据darknet53训练。
可能需要预下载的模型：
yolo_weights.h5 预训练模型（用作迁移）
-w yolov3.cfg yolov3.weights model_data
/yolo_weights.h5
darknet53.weights （用作重新训练）
:
//pjreddie.com/media/files/darknet53.conv.74
yolo.h5 （yolov3-VOC训练模型，可以直接用来做预测 ）
/yolo.h5
训练时候需要的参数
class yolo_args
:
annotation_path
=
'train.txt'
log_dir
=
'logs/003/'
classes_path
=
'model_data/class_file_en.txt'
anchors_path
=
'model_data/yolo_anchors.txt'
input_shape
= (
416,
416)
# multiple of 32, hw
# 608*608 416*416 320*320
val_split
=
0.
1
batch_size
=
16
epochs_stage_1
=
10
stage_1_train
=
False
epochs_finally
=
100
finally_train
=
True
weights_path
=
'logs/003/ep009-loss33.297-val_loss32.851.h5'
# 可以使用'model_data/tiny_yolo_weights.h5' 也可以使用tiny_yolo的：'model_data/yolo_weights.h5'
# train
_main(yolo_args)
其中：
annotation_path就是数据集准备的txt
log_dir ，Model存放地址，譬如：events.out.tfevents.
1545966202、ep077
-loss19.
318
-val_loss19.
682.h5
classes_path ，分类内容
anchors_path ，yolo anchors，可自行调整，也可以使用默认的
input_shape ，一般是
416
epochs_stage_1
=
10和 stage_1_train
=
False，是同一个，也就是是否进行迁移学习（stage_1_train ），要学习的话，学习几个epoch（epochs_stage_1 ）
epochs_finally
=
100和 finally_train
=
True ，是，是否进行后面开放所有层的学习（finally_train ），学习几个epoch（epochs_finally）
weights_path ，调用model的路径
三、预测和结果优化
预测代码参考：
import
sys
import argparse
from yolo
import YOLO, detect_video
from PIL
import Image
yolo_test_args
= {
"model_path"
:
'model_data/yolo.h5',
"anchors_path"
:
'model_data/yolo_anchors.txt',
"classes_path"
:
'model_data/coco_classes.txt',
"score"
:
0.
3,
"iou"
:
0.
45,
"model_image_size"
: (
416,
416),
"gpu_num"
:
1,
}
yolo_test
= YOLO(
**yolo_test_args)
image
= Image.
open(
'images/part1/path1.jpg')
r_image
= yolo_test.detect_image(image)
r_image.show()
预测结果优化：
import
sys
import argparse
from yolo_matt
import YOLO, detect_video
from PIL
import Image
yolo_test_args
= {
"model_path"
:
'logs/003/ep077-loss19.318-val_loss19.682.h5',
"anchors_path"
:
'model_data/yolo_anchors.txt',
"classes_path"
:
'model_data/class_file_en.txt',
"score"
:
0.
2,
# 0.2
"iou"
:
0.
1,
# 0.45
"model_image_size"
: (
416,
416),
"gpu_num"
:
1,
}
yolo_test
= YOLO(
**yolo_test_args)
# 输出内容整理
def _get_class(classes_path)
:
classes_path
=
os.path.expanduser(classes_path)
with
open(classes_path) as f
:
class_names
= f.readlines()
class_names
= [c.strip()
for c
in class_names]
return class_names
def yolov3_output(image,out_boxes,out_scores,out_classes)
:
output
= []
yolo_classes
= _get_class(yolo_test_args[
'classes_path'])
for n,box
in enumerate(out_boxes)
:
y_min, x_min, y_max, x_max
= box
y_min
=
max(
0, np.floor(y_min
+
0.
5).astype(
'int32'))
x_min
=
max(
0, np.floor(x_min
+
0.
5).astype(
'int32'))
y_max
=
min(image.size[
1], np.floor(y_max
+
0.
5).astype(
'int32'))
x_max
=
min(image.size[
0], np.floor(x_max
+
0.
5).astype(
'int32'))
score
= out_scores[n]
yo_class
= yolo_classes[out_classes[n]]
output.append({
'y_min'
:y_min,
'x_min'
:x_min,
'y_max'
:y_max,
'x_max'
:x_max,\
'width'
:image.size[
0],
'height'
:image.size[
1],\
'score'
:score,
'yo_class'
:yo_class})
return output
image
= Image.
open(
'images/images_all/path1.jpg')
r_image,out_boxes, out_scores, out_classes
= yolo_test.detect_image(image)
output
=
输出结果类似：
{
'path1.jpg'
:
[{
'y_min'
:
416,
'x_min'
:
34,
'y_max'
:
754,
'x_max'
:
367,
'width'
:
440,
'height'
:
783,
'score'
:
0.
9224778,
'yo_class'
:
'class1'},
{
'y_min'
:
428,
'x_min'
:
3,
'y_max'
:
783,
'x_max'
:
352,
'width'
:
440,
'height'
:
783,
'score'
:
0.
2180994,
'yo_class'
:
'class2'}]
}
标签：YOLOv3,keras,max,image,yolo,classes,min,path,集上 From： https://blog.51cto.com/jsxyhelu2017/5967890