yolov3 tiny训练自己的数据集进行物体检测 (只检测行人)_yolov3-tiny识别不到人

说明：我的电脑是个16年3500元买的笔记本（勇气可嘉：）

环境：额外的包之类的，我用的anaconda，可以非常容易安装各类包，如果运行显示缺包，那就去environment去安装对应的包。

我的版本：python 3.7.4 - tensorflow 1.13.1 - numpy 1.16.0 - keras 2.2.4

1. 下载Github上面的文件

https://github.com/qqwweee/keras-yolo3

直接下载zip。本文是针对以上文件内容的微小改动来训练自己的数据

 

2. 下载预训练的权值

https://pjreddie.com/media/files/yolov3-tiny.weights

下载完成后放入上面解压文件的目录下 C:\Users\...\Desktop\keras-yolo3-master，下文所述“[目录]”，皆指向此目录

 

3. 下载数据集文件（自己制作也行，自己制作参考其他博客）

https://pan.baidu.com/s/15ewJZoav2ebmkqBf2bPyeA 提取码：anv2

此处为博主z649431508收集的数据集，放在代码同一目录下解压（去掉外面多套的文件夹VOCdevkit，没有多套请忽略该提示）。

解压后可以把里面文件删除只保留：Annotations、ImageSets和JPEGImages。

将ImageSets\Main 文件夹下的txt文件全部删掉

用python写个脚本生成一个txt文件，仿照下图形式，里面的内容一直到009963（也就是该数据集里面最后一张图片），完事后这个train.txt放到 \VOCdevkit\VOC2007\ImageSets\Main下（这里如果觉得数据集太多可以设置idx<5000）

python代码如下：

idx = 1
f = open('train.txt', 'w')
while idx < 9964:
    f.write('{:0>6d}'.format(idx) + '\n')
    idx += 1
f.close()

 

4. 修改相关文件配置

1. 修改voc_annotation.py，将class改为：classes = ["person"]（我们只识别人所以只保留person），将sets改为：sets=[('2007', 'train')]
2. 修改model_data/voc_classes.txt 和 coco_classes.txt，删除多余类，只保留person（这一行）
3. 修改yolov3-tiny.cfg，将[yolo]下的classes改为=1，将[yolo]上的[convolutional]下的filter改为filters=18 [因为3 * ( classes + x + y + w + h + score )]，因为tiny yolov3只有两个不同输出分支张量，所以总共需要修改两处[yolo]和其上面的[convolutional]下的内容
4. 修改train.py里面，找到anchors_path，改为anchors_path = 'model_data/tiny_yolo_anchors.txt'
5. 修改yolo.py里面，修改使得 "anchors_path": 'model_data/tiny_yolo_anchors.txt'

 

5. 生成.txt文件

运行anaconda prompt（以下“运行”所指，皆为在anaconda prompt下键入指令）

• 运行voc_annotation.py

• 目录下会生成名字前缀为2007_的txt文件，然后删掉它们的前缀 "2007_"，得到train.txt内容如下，每行的内容前面是路径，后面五个数字为一组，前四个是标记的box的xywh，后面一个0表示person。

• （可选）运行kmeans.py文件，利用kmeans算法找到最合适的6个不同尺寸的anchor，用此文件替换model_data下的anchor文件。根据我自己的数据集，得到如下anchor

  

 

6.  运行 convert.py 将之前下载的预训练权重（30M文件）转化成keras网络的权重（生成 .h5 文件）

python convert.py -w yolov3-tiny.cfg yolov3-tiny.weights model_data/tiny_yolo_weights.h5

 

6.x 如果不训练，此时可以直接运行验证别人训练好的网络的性能(*)

python yolo_video.py --image

test/person.jpg（要在目录下创建test文件夹，里面放上一张图片命名person.jpg）

 

7. 训练网络

python train.py

下面的图片是我整合所有图片数据集后进行训练的结果，因为图片太多，所有我修改了50+50epoch，改为15+5epoch

 

8. 测试自己得到的权值

在 logs/000/下有你刚刚（'~'）训练得到的权值文件 trained_weights_stage_1.h5（前15epoch得到）  以及 trained_weights_final.h5(15+5epoch得到）

修改 yolo.py："model_path": 'logs/000/trained_weights_final.h5'

 

9. 效果

运行 6.x 所述内容

我通过整合数据并且加入自己标记的数据后，一共有10000张图片，其中4000张包含人的。在只解封最后两层训练了15个epoch，然后解封所有层训练了5个epoch。训练后的效果感觉上其实不如官网权重的效果好，不过也不差太多。

 

10. 其他

附yolov3-tiny网络参数和结构图：

 

参考：

https://www.jianshu.com/p/d76adef49293

https://blog.csdn.net/lly1122334/article/details/89019891