YOLOv3物体/目标检测之实战篇（Windows系统、Python3、TensorFlow2版本） |
您所在的位置：网站首页 › darknet-master官方 › YOLOv3物体/目标检测之实战篇（Windows系统、Python3、TensorFlow2版本） |
YOLOv3物体/目标检测之实战篇（Windows系统、Python3、TensorFlow2版本）
|
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 •́ )✧
|
【本文地址】
今日新闻 |
推荐新闻 |