keras-yolo3

Ссылки на блоги:

• Yolo3: руководство по маркировке изображений, обучению и распознаванию (Keras + TensorFlow-gpu).

• [Keras+TensorFlow+Yolo3]: как распознать модель руки человека в фильме](https://cungudafa.blog.csdn.net/article/details/105137889).

Среда:

• Windows 10 + anaconda3 (conda4.8.2) + labelImg1.8.1 + VSCode.

• Версия: python3.6.0 + opencv4.1.0 + yolo3 + keras 2.3.1 + tensorflow-gpu2.1.0.

Запись установки среды:

GPU: win10 (1050Ti) + anaconda3 + python3.6 + CUDA10.0 + tensorflow-gpu2.1.0 (https://cungudafa.blog.csdn.net/article/details/105089003).

Библиотеки: numpy1.18.2, Pillow7.0.0, matplotlib, python-opencv4.2.0.

Каталог:

Исходный каталог: docs/tree_old.txt (https://gitee.com/cungudafa/keras-yolo3/blob/master/docs/tree_old.txt).

Я повторно интегрировал структуру каталога: docs/tree.txt (https://gitee.com/cungudafa/keras-yolo3/blob/master/docs/tree.txt).

Процесс выполнения:

1. Скачивание:

   1. Клонирование проекта:

      git clone https://gitee.com/cungudafa/keras-yolov3.git
      ```.
      

   2. Скачивание весов:

      Отдельное скачивание весов Yolov3, размещение в корневом каталоге проекта.

   3. Преобразование весов DarkNet в формат .h5 Keras:

      python convert.py -w yolov3.cfg yolov3.weights model_data/yolo_weights.h5
      ```.
      
      Можно просмотреть нашу модельную структуру: [docs/model_summary.txt](https://gitee.com/cungudafa/keras-yolo3/blob/master/docs/model_summary.txt).
      

2. Маркировка:

   Скачивание набора данных: (я использовал здесь hand для тестирования, вы можете использовать свой собственный набор помеченных данных).

   Набор данных, используемый в этом случае, взят из: Университет Оксфорда Arpit Mittal, Andrew Zisserman и Phil Torr.

   Загрузка данных:

   Мы используем данные в формате VOC: нам нужно только загрузить evaluation_code.tar.gz (13,8 МБ).

   Скопируйте загруженный набор данных в путь проекта: (на самом деле набор данных содержит более 400 изображений, я тренировался слишком утомительно, легко переобучиться, здесь используется только 40 изображений от 009985-010028 для обучения).

3. Обучение:

   1. Измените train.py, чтобы настроить скорость обучения и путь (необязательно).

   2. Обучите train.py (сохраните результаты обучения в журналах после 50 и 100 раундов). Результаты сохраняются в каталоге logs.

   Визуализация нейронной сети: запустите tensorboard в корневом каталоге:

    ```
    tensorboard --logdir=logs\
    ```.
   
    Он будет записывать ход обучения в браузере.

4. Тестирование:

   См. tf2-keras-yolo3, вы можете напрямую обнаруживать изображения и видео.

   Я также упаковал код обнаружения: распознавание части keras-yolo3-recognize.

   Запустите predict.py или:

    ```
    # Обнаружение изображения
    python yolo_video.py --image
    Затем введите путь к изображению.
   
    # Видео обнаружение
    python yolo_video.py --input img\test.mp4
    ```.