@Author：Runsen
本次博客参考GIthub项目：
/qqwweee/keras-yolo3.git
在开始之前，请在以下位置克隆!git clone /qqwweee/keras-yolo3.git
到您的本地机器。确保设置虚拟环境并安装要求
Keras 2.1.5Tensorflow 1.6.0
本次教程分为以下步骤：
从 YOLO 网站下载 YOLOv3 权重。将 Darknet YOLO 模型转换为 Keras 模型。运行YOLO检测。
代码环境：colab
在/darknet/yolo//下载YOLO 模型的权重。通过运行以下命令下载 yolo3 模型的权重：
%tensorflow_version 1.x!pip3 uninstall keras!pip3 install keras==2.1.5cd keras-yolo3!wget /media/files/yolov3.weights
使用convert.py脚本将模型转换为 Keras 兼容文件。
!python convert.py yolov3.cfg yolov3.weights model_data/yolo.h5
在 model_data 目录中有一个名为 yolo.h5 的文件。该模型现在可用于通过 yolo_video.py 文件进行测试。
wget /tensorflow/models/master/research/object_detection/test_images/image1.jpgpython yolo_video.py --model model_data/yolo.h5 --classes model_data/coco_classes.txt --image
如果未指定 --image 标志，则需要指定视频的路径以及将输出保存到的路径。
keras-yolo3 训练自己的自定义 YOLO 模型。需要按照以下步骤操作（来源官方 README）：
下面尝试使用一个数据集进行训练；
/tannergi/microcontroller-detection
我们需要将csv 变成 yolo的txt
可以通过执行voc_annotation.py脚本将 csv 文件转换为 txt 。
文件 model_data/yolo_weights.h5 用于加载预训练权重。
对于微控制器数据集，训练命令如下所示：
import xml.etree.ElementTree as ETimport argparseimport osimport globdef voc_to_yolo(input_path, output_path, output_filename, image_folder, classes):# save classesclasses_file = open(os.path.join(output_path, 'classes.txt'), 'w')for c in classes:classes_file.write(c + '\n')classes_file.close()# create txt fileoutput_file = open(os.path.join(output_path, output_filename), 'w')for xml_file in glob.glob(input_path + '/*.xml'):tree = ET.parse(xml_file)root = tree.getroot()image_path = os.path.join(image_folder,root.find("filename").text).replace("\\", "/")output_file.write(f'{image_path} ')for member in root.findall('object'):output_file.write(f'{int(member[4][0].text)},{int(member[4][1].text)},{int(member[4][2].text)},{int(member[4][3].text)},{classes.index(member[0].text)} ')output_file.write('\n')output_file.close()if __name__ == '__main__':parser = argparse.ArgumentParser(description='VOC to YOLO')parser.add_argument('-i', '--input', type=str, required=True, help='Path to input folder')parser.add_argument('-f', '--folder', type=str, default='', help='Image folder (if filenames are relativ)')parser.add_argument('-c', '--classes', nargs='+', required=True, help='Classes')parser.add_argument('-o', '--output', type=str, default='./', help='Output path')parser.add_argument('-of', '--output_filename', type=str, default='train.txt', help='Output Filename')args = parser.parse_args()voc_to_yolo(args.input, args.output, args.output_filename, args.folder, args.classes)python voc_annotation.py -i train/ -f train/ -c Arduino_Nano Heltec_ESP32_Lora ESP8266 Raspberry_Pi_3 -o ./
修改train.py，开始训练。
在该train.py文件中，必须更改annotation_path和classes_path以匹配步骤 1 中创建的文件的路径。可能还需要更改第 57 行和第 76 行中的 batch_size，具体取决于显卡具有多少VRAM。
更改 train.py 文件后，您可以通过调用开始训练：python train.py
train.py一共训练50个epoch
将开始训练过程并将所有文件保存在指定的日志目录中。
测试
python yolo_video.py --model logs/000/trained_weights_final.h5 --classes classes.txt --image
使用yolo_video.py记得修改类路径或锚路径。
