摘要：來自原作者，快如閃電，可稱目標(biāo)檢測之光。實現(xiàn)教程去年月就出現(xiàn)了，實現(xiàn)一直零零星星。這份實現(xiàn)，支持用自己的數(shù)據(jù)訓(xùn)練模型?，F(xiàn)在可以跑腳本了來自原作者拿自己的數(shù)據(jù)集訓(xùn)練快速訓(xùn)練這個就是給大家一個粗略的感受，感受的訓(xùn)練過程到底是怎樣的。

來自YOLOv3原作者

YOLOv3，快如閃電，可稱目標(biāo)檢測之光。

PyTorch實現(xiàn)教程去年4月就出現(xiàn)了，TensorFlow實現(xiàn)一直零零星星。

現(xiàn)在，有位熱心公益的程序猿 (Yunyang1994) ，為它做了純TensorFlow代碼實現(xiàn)。

這份實現(xiàn)，支持用自己的數(shù)據(jù)訓(xùn)練模型。

介紹一下

TensorFlow實現(xiàn)，包含了以下部分：

· YOLOv3架構(gòu)

· 權(quán)重轉(zhuǎn)換器 (Weight Converter)

· 基礎(chǔ)版Demo

· GPU和CPU上都支持非極大抑制 (Non-Maximum Suppression)

· 訓(xùn)練pipeline

· COCO mAP計算

來自YOLOv3原作者

快速開始

四個步驟，速速上車。

1.復(fù)制這個文件：

1$ git clone https://github.com/YunYang1994/tensorflow-yolov3.git

2.在食用代碼前，先安裝一些依賴項：

1$ cd tensorflow-yolov3

2$ pip install -r ./docs/requirements.txt

3.把加載好的COCO權(quán)重導(dǎo)出為TF checkpoint (yolov3.ckpt) 和 frozen graph (yolov3_gpu_nms.pb) 。

如果你沒有yolov3.weights的話，去下載，然后放到./checkpoint目錄下。下載地址是：

https://github.com/YunYang1994/tensorflow-yolov3/releases/download/v1.0/yolov3.weights

1$ python convert_weight.py --convert --freeze

4.然后，./checkpoint目錄下就會出現(xiàn)一些.pb文件?，F(xiàn)在可以跑Demo腳本了：

1$ python nms_demo.py

2$ python video_demo.py # if use camera, set video_path = 0

來自YOLOv3原作者

拿自己的數(shù)據(jù)集訓(xùn)練

快速訓(xùn)練

這個Demo就是給大家一個粗略的感受，感受YOLOv3的訓(xùn)練過程到底是怎樣的。

用python core/convert_tfrecord.py把你的圖集轉(zhuǎn)成TFRecords。

1$ python core/convert_tfrecord.py --dataset /data/train_data/quick_train_data/quick_train_data.txt ?--tfrecord_path_prefix /data/train_data/quick_train_data/tfrecords/quick_train_data

2$ python quick_train.py ?# start training

訓(xùn)練COCO數(shù)據(jù)集

如果還沒下載COCO2017數(shù)據(jù)集，請前往：

http://cocodataset.org/

再把數(shù)據(jù)集放到./data/train_data/COCO里面。

1$ cd data/train_data/COCO

2$ wget http://images.cocodataset.org/zips/train2017.zip

3$ unzip train2017.zip

4$ wget http://images.cocodataset.org/annotations/annotations_trainval2017.zip

5$ unzip annotations_trainval2017.zip

然后，就要從數(shù)據(jù)集里提取一些有用的信息了，比如邊界框，拿這些信息生成你自己的.txt文件。

1$ python core/extract_coco.py --dataset_info_path ./data/train_data/COCO/train2017.txt

?來自YOLOv3原作者

上面這步得到的文件是./data/train_data/COCO/train2017.txt。拿一張圖舉栗，應(yīng)該長這樣：

1As a result, you will get ./data/train_data/COCO/train2017.txt. Here is an example row for one image:

2

3/home/yang/test/tensorflow-yolov3/data/train_data/train2017/000000458533.jpg 20 18.19 6.32 424.13 421.83 20 323.86 2.65 640.0 421.94

4/home/yang/test/tensorflow-yolov3/data/train_data/train2017/000000514915.jpg 16 55.38 132.63 519.84 380.4

5# image_path, category_id, x_min, y_min, x_max, y_max, category_id, x_min, y_min, ...

接下來，要把圖像數(shù)據(jù)集轉(zhuǎn)成.tfrecord，就是用二進制來保存數(shù)據(jù)。最后，可以訓(xùn)練啦。

1$ python core/convert_tfrecord.py --dataset ./data/train_data/COCO/train2017.txt ?--tfrecord_path_prefix ./data/train_data/COCO/tfrecords/coco --num_tfrecords 100

2$ python train.py

COCO評估

如果要看一下模型在COCO上的表現(xiàn)，就這樣做：

1$ cd data/train_data/COCO

2$ wget http://images.cocodataset.org/zips/test2017.zip

3$ wget http://images.cocodataset.org/annotations/image_info_test2017.zip?

4$ unzip test2017.zip

5$ unzip image_info_test2017.zip

?來自YOLOv3原作者

“我今年沒干啥”

YOLO系列的作者，是華盛頓大學(xué)兩位畫風(fēng)奇崛的研究人員，一個叫Joseph Redmon，一個叫Ali Farhadi。

去年3月YOLOv3發(fā)布，兩位在論文里是這樣描述這項成果的：

我今年基本沒做啥研究，凈刷推特了，也玩了一小會兒GAN。去年還剩一點動力沒用完，就給YOLO更了個新。沒什么特別有意思的東西，一些細(xì)小的改動而已。

Introduction滿分

但嚴(yán)肅地說，速度是v3最主要的提升。一般來講，YOLOv3比R-CNN快1000倍，比Fast R-CNN快100倍。

有一些人啊，看起來常年不做正事，但還是能拿出精彩的成果。

YOLOv3 TensorFlow實現(xiàn)傳送門：

https://github.com/YunYang1994/tensorflow-yolov3

(早就出了的) YOLO v3 PyTorch教程傳送門：

https://github.com/ayooshkathuria/YOLO_v3_tutorial_from_scratch

聲明：文章收集于網(wǎng)絡(luò)，為傳播信息而發(fā)，如有侵權(quán)，請聯(lián)系小編及時處理，謝謝！

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價值的辦法，實際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報表系統(tǒng)等全方位知識

QQ群：81035754