Tensorflow版yolov3训练自己的数据

源代码：https://github.com/YunYang1994/TensorFlow2.0-Examples/tree/master/4-Object_Detection/YOLOV3
本机可运行的环境如下：

1. 下载完代码后首先在主/根目录下建立train和test文件夹，目录树如下：

test为测试集，train为训练集，与voc_annotation.py文件中设置的路径需一致才能生成voc_train.txt和voc_test.txt

2. 打开voc_annotation.py修改如下：

修改自己需要训练的类别

voc_train.txt和voc_test.txt这两个文件不能删除！！
修改其他相关的数据路径如下：

修改好相关路径后运行代码即可生成新的voc_train.txt和voc_test.txt文件

3. 修改core/config.py文件

__C.YOLO.CLASSES
__C.YOLO.ORIGINAL_WEIGHT
__C.YOLO.DEMO_WEIGHT
__C.TRAIN.ANNOT_PATH等相关参数
BATCH_SIZE调小，不然会出错，GTX1650显卡BATCH_SIZE=2勉强可以运行

4. 下载权重文件，从coco加载权重

从https://github.com/YunYang1994/tensorflow-yolov3/releases/download/v1.0/yolov3_coco.tar.gz下载权重，解压到checkpoint文件夹下。（已下载并解压的直接运行下面的文件，记得加参数）如果已经恢复过了就不用再进行转换了。
如果出现Runtime Error，则需要删除现有的checkpoint文件，重新解压或者从别处复制新的checkpoint文件（共7个），两个模型的名字需要一样
运行python convert_weight.py --train_from_coco转换权重，不然训练时会出现：**xxx does not exist !!!**就不会加载coco的权重从头开始训练。

5. 运行train.py即可开始训练

训练完成后在checkpoint文件夹下会生成yolov3_test-loss=xxxx.ckpt-xx模型文件
观察Train loss和Test loss的变化情况，当两个都在下降时表明还欠拟合，当train loss下降而test loss上升时，表明有过拟合的倾向了，可以提前终止训练。

6. 生成pb文件，用于检测图片

打开frezee_graph.py修改下面两个参数

在image_demo.py里修改下面两参数运行即可得到图片检测结果
修改类别数

tips:如果出现类别预测错误，将voc_names里面的类别顺序改成与voc_annotation.py里的classes顺序一致即可

7. 评估模型

打开evaluate.py查看需要评估模型是否正确，config.py里面更改测试模型TEST_WEIGHT_FILE，运行evaluate.py

运行mAP下的main.py即可得到AP及mAP

如果类别名称之间存在空格，则需要先修改extra文件夹下面的class_list文件里面的类别，然后运行remove_space.py文件

如有侵权请私信联系删除谢谢！