Keras/Tensorflow+python+yolo3训练自己的数据集

Keras/Tensorflow+python+yolo3训练自己的数据集代码:https://github.com/qqwweee/keras-yolo3修改yolov3.cfg文件:https://blog.csdn.net/lilai619/article/details/79695109本文介绍如何制作数据集、修改代码、不加载预权重从头跑自己的训练数据一、简单回顾一下yolo原理:   1、端到端,输入图像,一次性输出每个栅格预测的一种或多种物体   2、坐…

大家好,又见面了,我是你们的朋友全栈君。

代码:https://github.com/qqwweee/keras-yolo3

修改yolov3.cfg文件:https://blog.csdn.net/lilai619/article/details/79695109

写文章不易,转载请表明本文出处:https://blog.csdn.net/Patrick_Lxc/article/details/80615433

本文介绍如何制作数据修改代码不加载预权重从头跑自己的训练数据

一、简单回顾一下yolo原理:

    1、端到端,输入图像,一次性输出每个栅格预测的一种或多种物体

    2、坐标x,y代表了预测的bounding box的中心与栅格边界的相对值。

         坐标w,h代表了预测的bounding box的width、height相对于整幅图像(或者栅格)width,height的比例。

        Keras/Tensorflow+python+yolo3训练自己的数据集

    3、

每个格子可以预测B个bounding box,但是最终只选择只选择IOU最高的bounding box作为物体检测输出,即每个格子最多只预测出一个物体。当物体占画面比例较小,如图像中包含畜群或鸟群时,每个格子包含多个物体,但却只能检测出其中一个。

著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

原文:
https://www.cnblogs.com/makefile/p/YOLOv3.html ©
康行天下
每个格子可以预测B个bounding box,但是最终只选择只选择IOU最高的bounding box作为物体检测输出,即每个格子最多只预测出一个物体。当物体占画面比例较小,如图像中包含畜群或鸟群时,每个格子包含多个物体,但却只能检测出其中一个

著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

原文:
https://www.cnblogs.com/makefile/p/YOLOv3.html ©
康行天下
每个格子可以预测B个bounding box,但是最终只选择只选择IOU最高的bounding box作为物体检测输出,即每个格子最多只预测出一个物体。当物体占画面比例较小,如图像中包含畜群或鸟群时,每个格子包含多个物体,但却只能检测出其中一个。

著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

原文:
https://www.cnblogs.com/makefile/p/YOLOv3.html ©
康行天下
每个格子可以预测B个bounding box,但是最终只选择只选择IOU最高的bounding box作为物体检测输出,

著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

原文:
https://www.cnblogs.com/makefile/p/YOLOv3.html ©
康行天下

每个格子可以输出B个bounding box
Keras/Tensorflow+python+yolo3训练自己的数据集,但是最终只会输出IOU占比最高的bounding box   作为输出,所以, 一个格子只能预测一个类别。

    4、loss=i=0s2coordErr+iouErr+clsErr  

        考虑各项权重:λcoord = 5, λnoobj = 0.5。因为不包含物体的框较多,需要弱化对应的权重影响,不然会导致包含物体的框贡献低,训练不稳定甚至发散。

Keras/Tensorflow+python+yolo3训练自己的数据集

    5、如果想一个格子预测多个类别,需要Anchors. –yolo2

二、如何使用yolo3,训练自己的数据集进行目标检测

    第一步:下载VOC2007数据集,把所有文件夹里面的东西删除,保留所有文件夹的名字。

    像这样

Keras/Tensorflow+python+yolo3训练自己的数据集

    第二步:把你所有的图片都复制到JPEGImages里面

    像这样:

Keras/Tensorflow+python+yolo3训练自己的数据集

    第三步:生成Annotations下的文件

    工具:LabelImg ,链接:https://pan.baidu.com/s/1GJFYcFm5Zlb-c6tIJ2N4hw 密码:h0i5

    像这样:

Keras/Tensorflow+python+yolo3训练自己的数据集

    第四步:生成ImageSets/Main/4个文件。在VOC2007下建个文件test.py,然后运行

    像这样:

Keras/Tensorflow+python+yolo3训练自己的数据集

    test.py代码:

import os
import random

trainval_percent = 0.1
train_percent = 0.9
xmlfilepath = 'Annotations' txtsavepath = 'ImageSets\Main' total_xml = os.listdir(xmlfilepath)

num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
train = random.sample(trainval, tr)

ftrainval = open('ImageSets/Main/trainval.txt', 'w')
ftest = open('ImageSets/Main/test.txt', 'w')
ftrain = open('ImageSets/Main/train.txt', 'w')
fval = open('ImageSets/Main/val.txt', 'w')

for i in list:
    name = total_xml[i][:-4] + '\n'  if i in trainval:
        ftrainval.write(name)
        if i in train:
            ftest.write(name)
        else:
            fval.write(name)
    else:
        ftrain.write(name)

ftrainval.close()
ftrain.close()
fval.close()
ftest.close()

    第五步:生成yolo3所需的train.txt,val.txt,test.txt

    VOC2007数据集制作完成,但是,yolo3并不直接用这个数据集,开心么?

    需要的运行voc_annotation.py ,classes以三个颜色为例,你的数据集记得改

    Keras/Tensorflow+python+yolo3训练自己的数据集

    运行之后,会在主目录下多生成三个txt文件,

    像这样:

Keras/Tensorflow+python+yolo3训练自己的数据集Keras/Tensorflow+python+yolo3训练自己的数据集手动删除2007_,Keras/Tensorflow+python+yolo3训练自己的数据集

    第六步:修改参数文件yolo3.cfg

    注明一下,这个文件是用于转换官网下载的.weights文件用的。训练自己的网络并不需要去管他。详见readme

Keras/Tensorflow+python+yolo3训练自己的数据集

    IDE里直接打开cfg文件,ctrl+f搜 yolo, 总共会搜出3个含有yolo的地方,睁开你的卡姿兰大眼睛,3个yolo!!

    每个地方都要改3处,filters:3*(5+len(classes));

                                    classes: len(classes) = 3,这里以红、黄、蓝三个颜色为例

                                    random:原来是1,显存小改为0

    Keras/Tensorflow+python+yolo3训练自己的数据集

    第七步:修改model_data下的文件,放入你的类别,coco,voc这两个文件都需要修改。

    像这样:

   Keras/Tensorflow+python+yolo3训练自己的数据集Keras/Tensorflow+python+yolo3训练自己的数据集

    第八步:修改代码,准备训练。代码以yolo3模型为目标,tiny_yolo不考虑。

    为什么说这篇文章是从头开始训练?代码原作者在train.py做了两件事情:

    1、会加载预先对coco数据集已经训练完成的yolo3权重文件,

    像这样:Keras/Tensorflow+python+yolo3训练自己的数据集

    2、冻结了开始到最后倒数第N层(源代码为N=-2),

   像这样: Keras/Tensorflow+python+yolo3训练自己的数据集

   但是,你和我想训练的东西,coco里没有啊,所以,就干脆从头开始训练吧

    对train.py做了一下修改,直接复制替换原文件就可以了,细节大家自己看吧,直接运行,loss达到10几的时候效果就可以了

    train.py:

""" Retrain the YOLO model for your own dataset. """ import numpy as np
import keras.backend as K
from keras.layers import Input, Lambda
from keras.models import Model
from keras.callbacks import TensorBoard, ModelCheckpoint, EarlyStopping
from yolo3.model import preprocess_true_boxes, yolo_body, tiny_yolo_body, yolo_loss
from yolo3.utils import get_random_data
def _main():
annotation_path = 'train.txt'  log_dir = 'logs/000/'  classes_path = 'model_data/voc_classes.txt'  anchors_path = 'model_data/yolo_anchors.txt'  class_names = get_classes(classes_path)
anchors = get_anchors(anchors_path)
input_shape = (416,416) # multiple of 32, hw  model = create_model(input_shape, anchors, len(class_names) )
train(model, annotation_path, input_shape, anchors, len(class_names), log_dir=log_dir)
def train(model, annotation_path, input_shape, anchors, num_classes, log_dir='logs/'):  model.compile(optimizer='adam', loss={
  'yolo_loss': lambda y_true, y_pred: y_pred})
logging = TensorBoard(log_dir=log_dir)
checkpoint = ModelCheckpoint(log_dir + "ep{epoch:03d}-loss{loss:.3f}-val_loss{val_loss:.3f}.h5",
monitor='val_loss', save_weights_only=True, save_best_only=True, period=1)
batch_size = 10
    val_split = 0.1
    with open(annotation_path) as f:
lines = f.readlines()
np.random.shuffle(lines)
num_val = int(len(lines)*val_split)
num_train = len(lines) - num_val
print('Train on {} samples, val on {} samples, with batch size {}.'.format(num_train, num_val, batch_size))
model.fit_generator(data_generator_wrap(lines[:num_train], batch_size, input_shape, anchors, num_classes),
steps_per_epoch=max(1, num_train//batch_size),
validation_data=data_generator_wrap(lines[num_train:], batch_size, input_shape, anchors, num_classes),
validation_steps=max(1, num_val//batch_size),
epochs=500,
initial_epoch=0)
model.save_weights(log_dir + 'trained_weights.h5')  def get_classes(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 get_anchors(anchors_path):  with open(anchors_path) as f:
anchors = f.readline()
anchors = [float(x) for x in anchors.split(',')]
return np.array(anchors).reshape(-1, 2)
def create_model(input_shape, anchors, num_classes, load_pretrained=False, freeze_body=False,
weights_path='model_data/yolo_weights.h5'):  K.clear_session() # get a new session  image_input = Input(shape=(None, None, 3))
h, w = input_shape
num_anchors = len(anchors)
y_true = [Input(shape=(h//{
0:32, 1:16, 2:8}[l], w//{
0:32, 1:16, 2:8}[l], \
num_anchors//3, num_classes+5)) for l in range(3)]
model_body = yolo_body(image_input, num_anchors//3, num_classes)
print('Create YOLOv3 model with {} anchors and {} classes.'.format(num_anchors, num_classes))
if load_pretrained:
model_body.load_weights(weights_path, by_name=True, skip_mismatch=True)
print('Load weights {}.'.format(weights_path))
if freeze_body:
# Do not freeze 3 output layers.  num = len(model_body.layers)-7
            for i in range(num): model_body.layers[i].trainable = False  print('Freeze the first {} layers of total {} layers.'.format(num, len(model_body.layers)))
model_loss = Lambda(yolo_loss, output_shape=(1,), name='yolo_loss',
arguments={
'anchors': anchors, 'num_classes': num_classes, 'ignore_thresh': 0.5})(
[*model_body.output, *y_true])
model = Model([model_body.input, *y_true], model_loss)
return model
def data_generator(annotation_lines, batch_size, input_shape, anchors, num_classes):  n = len(annotation_lines)
np.random.shuffle(annotation_lines)
i = 0
    while True:
image_data = []
box_data = []
for b in range(batch_size):
i %= n
image, box = get_random_data(annotation_lines[i], input_shape, random=True)
image_data.append(image)
box_data.append(box)
i += 1
        image_data = np.array(image_data)
box_data = np.array(box_data)
y_true = preprocess_true_boxes(box_data, input_shape, anchors, num_classes)
yield [image_data, *y_true], np.zeros(batch_size)
def data_generator_wrap(annotation_lines, batch_size, input_shape, anchors, num_classes):
n = len(annotation_lines)
if n==0 or batch_size<=0: return None  return data_generator(annotation_lines, batch_size, input_shape, anchors, num_classes)
if __name__ == '__main__':
_main()    

第九步:预测图片。修改了yolo.py下的预测图片的函数,将检测的图片都储存在了outdir里


''' def detect_img(yolo):  while True:  img = input('Input image filename:')  try:  image = Image.open(img)  except:  print('Open Error! Try again!')  continue  else:  r_image = yolo.detect_image(image)  r_image.show()  yolo.close_session() ''' import glob
def detect_img(yolo):
path = "D:\VOCdevkit\VOC2007\JPEGImages\*.jpg"  outdir = "D:\\VOCdevkit\VOC2007\SegmentationClass"  for jpgfile in glob.glob(path):
img = Image.open(jpgfile)
img = yolo.detect_image(img)
img.save(os.path.join(outdir, os.path.basename(jpgfile)))
yolo.close_session()

最终效果图:红绿灯检测,100张图片作为训练集

    
Keras/Tensorflow+python+yolo3训练自己的数据集

    Keras/Tensorflow+python+yolo3训练自己的数据集

明天写yolo2和yolo3的具体原理。立牌坊。。。又开始打嗝了,醉了,一直打着嗝写完了这篇介绍,想起高中的时候,最长时间打嗝打了两天,想死。

    

分割—————————————–

网站禁止我给你评论回复了, 你看这,6.25回复:

先声明一下,quick start的步骤:
1、Download YOLOv3 weights from YOLO website.
2、Convert the Darknet YOLO model to a Keras model.(因为官网给出的是darknet的权重文件,所以需要转换成Keras需要的形式)
3、Run YOLO detection.
依次对应:
1、wget https://pjreddie.com/media/files/yolov3.weights
2、python convert.py yolov3.cfg yolov3.weights model_data/yolo.h5
3、python yolo.py   OR   python yolo_video.py [video_path] [output_path(optional)]
理解以上的步骤之后,回答您的问题:
对于已经存在于coco数据集80个种类之中的一类,就不要自己训练了,官网权重训练的很好了已经;
对于不存在coco数据集的一种,无视convert.py, 无视.cfg文件,不要预加载官方权重,直接用我的train.py代码进行训练就可以了。你预加载官方权重,再去训练一个全新的物种,个人认为是浪费资源完全没意义的

   

    

    

   

    

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/148008.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)
blank

相关推荐

  • Javaweb人才招聘系统[通俗易懂]

    Javaweb人才招聘系统[通俗易懂]基于JSP的JSP+MYSQL人才招聘系统hrm系统是一个综合的员工管理系统,系统主页面左边由导航树构成,分为:部门管理、员工管理、招聘管理、培训管理、薪资管理、以及系统设置模块,模块功能主要包含CRUD操作,详情查看等操作。后台管理具体描述如下:网站新闻资讯管理|–添加新闻资讯;|–修改新闻资讯;|–删除新闻资讯个人会员管理|–查看个人会员|–删除个人会员企业会员管理|–查看企业会员|–删除企业会员在线留言管理|–查看在线留言|–删除在线留言系统用户管理|–系统用户的录

  • RPN网络代码解读

    RPN网络代码解读1.说在前面的话在目标检测领域FasterRCNN可以说是无人不知无人不晓,它里面有一个网络结构RPN(RegionProposalNetwork)用于在特征图上产生候选预测区域。但是呢,这个网络结构具体是怎么工作的呢?网上有很多种解释,但是都是云里雾里的,还是直接撸代码来得直接,这里就直接从代码入手直接撸吧-_-||。首先,来看一下FasterRCNN中RPN的结构是什么样子的吧。…

  • 门户网站开发[通俗易懂]

    门户网站开发[通俗易懂]最近正在考虑开发一个门户网站。领导要求比较急,所以有的东西就得暂停一下了。关键是我个人也想早点做出来,做出来了有中成就感,感觉好极了。开发计划步骤:1.需求分析。在这个时候领导还是打算网站外包出去的,采取资源互换形式,即不花钱那种,我就开始认真的写需求,尽可能的详细精确,因为我也开发过网站,对于一个开发者来说一个好的需求是非常非常重要的。但是人家想让我们出一部分钱,领导不愿意了

  • Java 技术体系简介

    Java 技术体系简介Java技术包含的所有内容:1、Java技术体系2、Java一次编译,到处运行Java技术的核心就是Java虚拟机,因为所有的Java程序都在虚拟机上运行。Java程序的运行需要Java虚拟机、JavaAPI和JavaClass文件的配合。Java虚拟机实例负责运行一个Java程序。当启动一个Java程序时,一个虚拟机实例就诞生了。当程序结束,这个虚拟机实例也就消亡。Java支持平台无关性、安全性和网络移动性。而Java平台由Java虚拟机和Java核心类所构成,它为纯Java程序提供了

  • 全新企业发卡系统源码/带有代理功能发卡平台源码[通俗易懂]

    全新企业发卡系统源码/带有代理功能发卡平台源码[通俗易懂]☑️编号:ym286☑️品牌:无☑️语言:PHP☑️大小:105MB☑️类型:企业发卡系统☑️支持:pc+wap????欢迎免费领取(注明编号)????✨源码介绍全新企业发卡系统源码,带有代理功能的发卡平台源码,目前应该算是最完美的一款了,亲测可运营。并且多套模板可以切换,有需要的自取吧。更新说明:支付界面短链接二维码后台模板等修复及一些细节优化pc用户端后台稍微美化(颜色调整)安卓用户端后台界面UI美化重写,商户头像根据QQ获取Admin后台登录页面重写(

  • linux 主机支持远程唤醒_LINUX 远程开机

    linux 主机支持远程唤醒_LINUX 远程开机linux远程开机1、主机bios设置支持lan启动2、查看机器是否支持服务器远程唤醒ethtooleth0Settingsforeth0:Supportedports:[TPMII]Supportedlinkmodes:10baseT/Half10baseT/Full100baseT/Half100baseT/FullSupportsauto-negotiat…

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号