Yolov3 Keras版本训练详细教程
默认读者已经能利用官方给出的权重并且可以运行keras版本的Yolov3
一、新建文件夹VOCdevkit
严格按照上图建立VOCdevkit下的全部文件夹。
目录结构为VOCdevkit/VOC2007/,在下面就是新建几个默认名字的文件夹
Annotations
ImageSets(该目录还有三个文件需要建立)
JPEGImages(把你所有的图片都复制到该目录里面)
SegmentationClass
SegmentationObject
二、将图片放入JPEGImages文件里
三、使用labelImg标注图片 (标注完成时保存在Annotations文件夹下)
1、LabelImg下载:https://github.com/tzutalin/labelImg。
2、安装好python3.6,pyqt5, lxml必备包
3、CMD命令行模式进入LabelImg的文件目录,然后执行如下两个命令,完成LabelImg的启动
4、在左侧选择Yolo格式
5、快捷键
Ctrl + u 加载目录中的所有图像,鼠标点击Open dir同功能
Ctrl + r 更改默认注释目标目录(xml文件保存的地址)
Ctrl + s 保存
Ctrl + d 复制当前标签和矩形框
space 将当前图像标记为已验证
w 创建一个矩形框
d 下一张图片
a 上一张图片
del 删除选定的矩形框
Ctrl++ 放大
Ctrl-- 缩小
↑→↓← 键盘箭头移动选定的矩形框
使用:https://www.cnblogs.com/Terrypython/p/9577657.html
四、制作VOC2007数据集
在VOC2007下新建一个python文件,复制如下代码(并运行)
import os
import randomtrainval_percent = 0.2
train_percent = 0.8
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()
五、生成train.txt,val.txt,test.txt
运行自带的voc_annotation.py ,classes以检测一个类为例(方向盘),在voc_annotation.py需改你的数据集为:
六、修改参数文件yolo3.cfg
参数含义:https://blog.csdn.net/ll_master/article/details/81487844
打开yolo3.cfg文件。搜索yolo(共出现三次),每次按下图都要修改
具体的参数按照如下的公式进行计算:
filter:3*(5+len(classes)
classes:你要训练的类别数
random:原来是1,显存小改为0
七、修改model_data下的voc_classes.txt为自己训练的类别
八、修改train.py代码(用下面代码直接替换原来的代码)
"""
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, EarlyStoppingfrom yolo3.model import preprocess_true_boxes, yolo_body, tiny_yolo_body, yolo_loss
from yolo3.utils import get_random_datadef _main():annotation_path = '2007_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, hwmodel = 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 = 10val_split = 0.1with open(annotation_path) as f:lines = f.readlines()np.random.shuffle(lines)num_val = int(len(lines)*val_split)num_train = len(lines) - num_valprint('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_namesdef 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 sessionimage_input = Input(shape=(None, None, 3))h, w = input_shapenum_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)-7for i in range(num): model_body.layers[i].trainable = Falseprint('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 = 0while True:image_data = []box_data = []for b in range(batch_size):i %= nimage, box = get_random_data(annotation_lines[i], input_shape, random=True)image_data.append(image)box_data.append(box)i += 1image_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 Nonereturn data_generator(annotation_lines, batch_size, input_shape, anchors, num_classes)if __name__ == '__main__':_main()
替换完成后,需要创建这样一个目录,这个目录的作用就是存放自己的数据集训练得到的模型。不然程序运行到最后会因为找不到该路径而发生错误。生成的模型trained_weights.h5如下:
注:训练时如果显存还是爆掉的话可以使用CPU来训练,笔者显存4GB,内存20GB,加入如下代码可以启动CPU训练(速度很慢,但是如果显存爆掉话可是使用CPU训练)
import os
GPU = 0 #Change it to 0 in order to use CPU
if GPU == 0:os.environ['CUDA_VISIBLE_DEVICES'] = '-1'
九、修改yolo.py文件,路径修改为各自对应的路径。
运行代码即可实现预测。
注:本篇文章来自https://blog.csdn.net/u012746060/article/details/81183006,感谢!
Yolov3 Keras版本训练详细教程相关推荐
- Pytorch-conda-win版本安装详细教程及相关问题解决
Pytorch-conda-win版本安装详细教程及相关问题解决 创建pip.ini文件 目的:在创建conda虚拟环境的同时,安装python,配置这个文件后,就可以从国内源进行下载,避免了从国 ...
- tensorflow2.0对应python版本_TensorFlow2.1.0最新版本安装详细教程
TensorFlow是一款优秀的深度学习框架,支持多种常见的操作系统,例如Windows10,Mac Os等等,同时也支持运行在NVIDIA显卡上的GPU版本以及仅使用CPU进行运算的CPU版本.此篇 ...
- sg11 mysql7.1_服务器安装SG11扩展多版本(宝塔+通用版本)详细教程
TePass 从0.6.3版本之后,TePay专业版从4.3.6之后开始采用了sg11进行加密,那么就需要你的服务器安装SG11扩展才能使用,这里用图文介绍一下安装步骤. 整个安装过程非常简单,认真有 ...
- ios 10.2 越狱教程面向全版本,详细教程
大名鼎鼎的国外著名黑客Luca 成功越狱了ios10.2 ,本教程只要你是非iphone7那就一定可以越狱,不成功请自己仔细看教程. 1.下载pc端软件注入压缩包 1) 下载地址1 http:// ...
- java最新版安装教程_手把手教你安装Eclipse最新版本的详细教程 (非常详细,非常实用)...
简介 首先声明此篇文章主要是针对测试菜鸟或者刚刚入门的小伙们或者童鞋们,大佬就没有必要往下看了. 写这篇文章的由来是因为后边要用这个工具,但是由于某些原因有部分小伙伴和童鞋们可能不会安装此工具,为了方 ...
- CentOS全版本 阿里云下载详细教程
CentOS 阿里云全版本下载详细教程 最近有个朋友在工作中部署各种版本的linux 下载镜像时踩了很多坑 于是小编写个超详细下载教程 补充下 最近发现各大镜像站都有变动 新方式 https://mi ...
- android studio 2021版本下载安装详细教程(超详细)2022,一步步教你
介绍如何安装android studio,目前版本是2021.1.1,虽然是2022年了,但是版本还是没更新. 一.下载 主程序我已经放到[andriod studio目录]下,密码3360,大家也不 ...
- tensorflow yolov3训练自己的数据集,详细教程
这个教程是我在自己学习的过程中写的,当作一个笔记,写的比较详细 在github上下载yolov3的tensorflow1.0版本: https://github.com/YunYang1994/ten ...
- Windows10+YOLOV3+VisualStudio2017最新版本超详细过程
最近两天在看yolo项目,所以想着把作者的项目copy一下运行看一下效果,谁知道一不小心,陷入坑中无法自拔.真实感叹作者的厉害之处. 同时也记录了自己Windows10+YOLOV3+VisualSt ...
- 深度学习:使用UNet做图像语义分割,训练自己制作的数据集,详细教程
语义分割(Semantic Segmentation)是图像处理和机器视觉一个重要分支.与分类任务不同,语义分割需要判断图像每个像素点的类别,进行精确分割.语义分割目前在自动驾驶.自动抠图.医疗影像等 ...
最新文章
- 探究Java虚拟机栈
- Eclipse远程调试
- datagridview滚动条自动滚动_微软新贡献:进一步优化Chromium的滚动特性
- 前端周记20190211-20190215
- 硬盘属于计算机主机吗,电脑主机换硬盘后还是不是原来的主机?
- Eclipse输入或创建txt文件位置
- iOS 适配iPhone XR/iPhone XS Max
- Vue Resource
- mysql误删除数据恢复处理
- 网页无法与服务器建立安全连接失败,“发生了SSL错误,无法与服务器建立安全连接。”...
- 自定义View | 仿QQ运动步数进度效果
- [转载]一篇经典的求职经历博客,值得深入研究和学习
- 统计元音字母(JAVA)
- 教大家一个兼编辑和转换的快速看图软件免费使用方法
- 又一所新大学将落户广东省!
- 【洛谷5069】纵使日薄西山【set】【树状数组】
- Logstash学习
- 每周分享第 12 期
- servlet生命周期的理解
- 牛客3007E-立方数-欧拉线性筛+素数分解+二分