原因:

1.主要是想加快识别速度(在减小识别类别的情况下)

2.减小数据库大小

3.去掉不想要的类别

4.仍然想用官方的weight(比我自己训练的精准)

5.因为对keras不熟, 不知道怎么在convert.py时直接从数据库中阉割掉

过程:

yolo3不管是视频还是图片检测 调用的都是 yolo.py 中的 detect_image

yolo.py 中 detect_image 关于 类别self.classes 由

out_boxes, out_scores, out_classes = self.sess.run(

[self.boxes, self.scores, self.classes],

feed_dict={

self.yolo_model.input: image_data,

self.input_image_shape: [image.size[1], image.size[0]],

K.learning_phase(): 0

})

generate(__init__调用)中的

boxes, scores, classes = yolo_eval(self.yolo_model.output, self.anchors,

len(self.class_names), self.input_image_shape,

score_threshold=self.score, iou_threshold=self.iou)

return boxes, scores, classes

中的yolo_eval(位于yolo3中的 model.py)中的下一段, 添加一条if语句即可(第二行注释掉的)

for c in range(num_classes):

#if c == 32: #32->sports ball 32是 model_data/coco_classes.txt 对应的行减一(从0开始)

# TODO: use keras backend instead of tf.

class_boxes = tf.boolean_mask(boxes, mask[:, c])

class_box_scores = tf.boolean_mask(box_scores[:, c], mask[:, c])

nms_index = tf.image.non_max_suppression(

class_boxes, class_box_scores, max_boxes_tensor, iou_threshold=iou_threshold)

class_boxes = K.gather(class_boxes, nms_index)

class_box_scores = K.gather(class_box_scores, nms_index)

classes = K.ones_like(class_box_scores, 'int32') * c

boxes_.append(class_boxes)

scores_.append(class_box_scores)

classes_.append(classes)

综上在yolo3/model.py 213 行下添加if判断即可

ps: 作者还写了注释 use keras backend instead of tf 看来想脱离tf啊

ps:

1.数据库中数据一样是有的, 只是减少了查询次数, 有点点效果, 但是并不明显

2.因为想用官方的weight, 曾尝试阉割官方weight:

测试修改了 coco_classes.txt 和对应的 yolov3.cfg 下的3个yolo下的classes(80->3)

重新生成yolo.h5 文件

运行...

报错位于yolo.py

self.yolo_model.layers[-1].output_shape[-1] == num_anchors/len(self.yolo_model.output) * (num_classes + 5)

debug 如下:

self.yolo_model.layers[-1].output_shape[-1] ->255

num_anchors->9

len(self.yolo_model.output) ->3

(num_classes + 5)->85 # num_classes 是 coco_classes.txt下的类别个数

不清楚self.yolo_model.layers[-1].output_shape[-1] 是什么东西, 怎么训练都是255

不敢乱删这句话 阉割数据库失败