YOLOv3物体/目标检测之实战篇（Windows系统、Python3、TensorFlow2版本）_yolov3-tiny.weights

前言

    基于YOLO进行物体检测、对象识别，在搭建好开发环境后，先和大家进行实践应用中，体验YOLOv3物体/目标检测效果和魅力；同时逐步了解YOLOv3的不足和优化思路。

 

开发环境参数

系统：Windows       编程语言：Python 3.8           

深度学习框架：TensorFlow 2.3        整合开发环境：Anaconda        开发代码IDE：PyCharm

主要使用TensorFlow2.3、opencv-python4.4.0、Pillow、matplotlib 等依赖库。

详情请参考我的另一篇博客：YOLO实践应用之搭建开发环境（Windows系统、Python 3.8、TensorFlow2.3版本）

 

YOLOv3的物体/目标检测效果：

1）有四只小猫被检测出来：

使用浅蓝色的框框，把小猫的所在位置框出来，并在框框上方注释标签（类别 置信度）。比如第一只小猫检测出的标签是cat ，置信度是0.95，即有95%的把握认为是cat 猫。

 

 

2）一只小狗和一只小猫同时被检测出来：

小猫被检测出是cat，1.00；有100%的把握认为是cat 猫；

小狗被检测出是dog，0.97；有97%的把握认为是cat 猫；

 

 

3）在复杂的十字路口，有许多行人和车辆被检测出来了：

大家可以看到大部分的行人、小汽车和公交车是被检测出来了，存在小部分没有被检测出来；如果是做特定场景的目标检测，建议大家后续采购特定场景的数据，重新训练网络，生成稳定且高精度的模型，保存权重文件，便于后续使用。

 

 

目录

前言

开发环境参数

体验YOLOv3物体/目标检测

1）下载代码，打开工程

2）下载权重文件

3）权重文件应用到工程

4）进行目标检测

调用模型的核心代码

---

 

体验YOLOv3物体/目标检测

1）下载代码，打开工程

先到githug下载代码，然后解压工程，然后使用PyCharm工具打开工程；

githug代码下载地址：https://github.com/guo-pu/yolov3-tf2

说明：此仓库代码源于zzh8829/yolov3-tf2 进行修改的，zzh8829/yolov3-tf2代码仓库地址 ：https://github.com/zzh8829/yolov3-tf2 

使用PyCharm工具打开工程：

打开后的页面是这样的：

【选择开发环境】

文件(file)——>设置(setting)——>项目(Project)——>Project Interpreters   选择搭建的开发环境；

然后先点击Apply，等待加载完成，再点击OK； 

 

 

2）下载权重文件

方式1：使用wget 来下载

前提：需要支持wget命令；

yolov3.weights、yolov3-tiny.weights都是预先训练好的Darknet网络权重；

yolov3.weights   是默认的权重，支持识别目标的类别更多更精准；

yolov3-tiny.weights  是应用在轻量级设备的权重，对设备的性能要求没这么高，相对yolov3.weights响应速度更快；

进入windows管理员命令窗口：

【下载yolov3.weights权重文件】

进入存放数据的目录，比如e盘的data目录，然后执行如下命令进行下载权重值：

wget https://pjreddie.com/media/files/yolov3.weights  -O  .\yolov3.weights

然后就会开始下载了； 

---

【下载yolov3-tiny.weights权重文件】

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

下载好后，来到存放的目录检测是否下载成功和完整；

 

方式2：在我网盘提取

链接: https://pan.baidu.com/s/1TK4EEWsCHPyunNkJ98Mhjw 

提取码: urad 

 

然后把数据复制到下载工程包中，yolov3-tf2-master\data

 

3）权重文件应用到工程

执行如下命令，把训练好的权重进行转换，并应用到工程中。

在Pycharm的命令终端进入YOLO3-GPU-TensorFlow2开发环境：

conda activate YOLO3-GPU-TensorFlow2

【yolov3.weights】

python convert.py --weights ./data/yolov3.weights --output ./checkpoints/yolov3.tf

执行命令成功后，能看到在checkpoints目录下有三个新增文件

 

 

【yolov3-tiny.weights】（可选）

python convert.py --weights ./data/yolov3-tiny.weights --output ./checkpoints/yolov3-tiny.tf --tiny

 

4）进行目标检测

检测图片中的目标：

python detect.py --image ./data/cat.jpg

有四只小猫被检测出来：使用浅蓝色的框框，把小猫的所在位置框出来，并在框框上方注释标签（类别 置信度）。比如第一只小猫检测出的标签是cat ，置信度是0.95，即有95%的把握认为是cat 猫。

 

我们可以指定目标检测后生成的图片：

 python detect.py --image ./data/cat.jpg

一只小狗和一只小猫同时被检测出来：小猫被检测出是cat，1.00；有100%的把握认为是cat 猫；小狗被检测出是dog，0.97；有97%的把握认为是cat 猫；

 

我们还可以尝试使用摄像头实时目标检测，或对视频文件进行目标检测，详细参看如下：

目标检测执行命令汇总：

# yolov3 检测图片的对象
python detect.py --image ./data/cat.jpg
 
# yolov3-tiny
python detect.py --weights ./checkpoints/yolov3-tiny.tf --tiny --image ./data/street.jpg
 
# webcam  摄像头实时检测对象
python detect_video.py --video 0
 
# video file   检测视频文件的对象
python detect_video.py --video path_to_file.mp4 --weights ./checkpoints/yolov3-tiny.tf --tiny
 
# video file with output
python detect_video.py --video path_to_file.mp4 --output ./output.avi

 

调用模型的核心代码

detect.py 代码：  # yolov3 检测图片的对象

import time
from absl import app, flags, logging
from absl.flags import FLAGS
import cv2
import numpy as np
import tensorflow as tf
from yolov3_tf2.models import (
    YoloV3, YoloV3Tiny
)
from yolov3_tf2.dataset import transform_images, load_tfrecord_dataset
from yolov3_tf2.utils import draw_outputs
 
flags.DEFINE_string('classes', './data/coco.names', 'path to classes file')
flags.DEFINE_string('weights', './checkpoints/yolov3.tf',
                    'path to weights file')
flags.DEFINE_boolean('tiny', False, 'yolov3 or yolov3-tiny')
flags.DEFINE_integer('size', 416, 'resize images to')
flags.DEFINE_string('image', './data/girl.png', 'path to input image')
flags.DEFINE_string('tfrecord', None, 'tfrecord instead of image')
flags.DEFINE_string('output', './output.jpg', 'path to output image')
flags.DEFINE_integer('num_classes', 80, 'number of classes in the model')
 
 
def main(_argv):
    physical_devices = tf.config.experimental.list_physical_devices('GPU')
    for physical_device in physical_devices:
        tf.config.experimental.set_memory_growth(physical_device, True)
 
    if FLAGS.tiny:
        yolo = YoloV3Tiny(classes=FLAGS.num_classes)
    else:
        yolo = YoloV3(classes=FLAGS.num_classes)
 
    yolo.load_weights(FLAGS.weights).expect_partial()
    logging.info('weights loaded')
 
    class_names = [c.strip() for c in open(FLAGS.classes).readlines()]
    logging.info('classes loaded')
 
    if FLAGS.tfrecord:
        dataset = load_tfrecord_dataset(
            FLAGS.tfrecord, FLAGS.classes, FLAGS.size)
        dataset = dataset.shuffle(512)
        img_raw, _label = next(iter(dataset.take(1)))
    else:
        img_raw = tf.image.decode_image(
            open(FLAGS.image, 'rb').read(), channels=3)
 
    img = tf.expand_dims(img_raw, 0)
    img = transform_images(img, FLAGS.size)
 
    t1 = time.time()
    boxes, scores, classes, nums = yolo(img)
    t2 = time.time()
    logging.info('time: {}'.format(t2 - t1))
 
    logging.info('detections:')
    for i in range(nums[0]):
        logging.info('\t{}, {}, {}'.format(class_names[int(classes[0][i])],
                                           np.array(scores[0][i]),
                                           np.array(boxes[0][i])))
 
    img = cv2.cvtColor(img_raw.numpy(), cv2.COLOR_RGB2BGR)
    img = draw_outputs(img, (boxes, scores, classes, nums), class_names)
    cv2.imwrite(FLAGS.output, img)
    logging.info('output saved to: {}'.format(FLAGS.output))
 
 
if __name__ == '__main__':
    try:
        app.run(main)
    except SystemExit:
        pass

 

希望对你有帮助。( •̀ ω •́ )✧