一．實驗環境的搭建
1. 安裝環境配置：
python=3.6、tensorflow-gpu==1.6.0、keras、pillow、opencv-python、matplotlib、numpy
沒有通過pip安裝(例如：pip install keras)
2. 啟動虛擬環境，並且安裝對應的實驗環境
3. 模型轉換
因為keras的模型檔案是h5格式，所以需要將.weights轉換成.h5
到keras-yolo3-master目錄下，在命令列模式執行
python convert.py -w yolov3.cfg yolov3.weights model_data/yolo.h5
4. 測試
python yolo_video.py --images
接著會彈出一張框出目標的
二． 人臉資料集的介紹及準備
三．相關**的修改及訓練
python convert.py -w darknet53.cfg darknet53.weights model_data/darknet53_weights.h5
2. 在model_data資料夾下新建face.txt檔案，內容如下：
face
修改部分的**：
annotation_path = 'path/to/your/train.txt' ##根據自己的檔案路徑改
log_dir = 'logs/your/logs/name'
classes_path = 'model_data/face.txt'
anchors_path ='model_data/yolo_anchors.txt'
在keras-yolo3-master資料夾下，執行
python train.py
訓練後最終的模型儲存在設定log_dir的資料夾下
四．使用訓練好的人臉檢測模型
1. 準備模型
python convert.py -w yolov3-tiny.cfg yolov3-tiny.weights model_data/yolov3_tiny_face_model.h5
2. 修改yolo.py** 需要修改的內容為：
"model_path": 'model_data/yolov3_tiny_face_model.h5',
"anchors_path": 'model_data/tiny_yolo_anchors.txt',
"classes_path": 'model_data/face.txt',
3. 模型效果測試 輸入指令：
python yolo_video.py –image
新images資料夾，用於放要測試的
yolov3系列 零 yolov3詳解
目標檢測演算法與efficientdet講解 論 文 翻譯 yolov3主頁 yolo系列的目標檢測演算法可以說是目標檢測史上的巨集篇巨作，v3演算法是在v1 v2基礎上形成的，先看下 yolov1 yolov2 下圖為yolov3的網路結構 dbl darknetconv2d bn leaky 是...
yolov3的缺點 yolov3特點總結
p1，yolov3，簡單總結下比較特別的地方 1.bounding box 中心值x,y的 是通過乙個sigmoid 函式，來 在每乙個單元 cell 的相對位置。而不像普通那種 乙個相對於anchor的offset。然後bbox 損失是用的mse 一般都是用smooth l1 3.類別 沒有使用s...
yolov3損失函式改進 yolov3 損失函式
yolov3 損失函式主要分為loss xy,loss wh,loss confidence,loss class loss xy darknet與kreas稍有不同。darknet是sse，kreas是二值交叉熵。一種解釋如下 bounding box回歸是square error loss，分類...