目錄
YOLOv3的改進
1. YOLOv3的第一個改進是網路的結構的改變
2. YOLOv3的第二個改進是多尺度訓練
YOLOv3代碼實戰
1. 資料集標注
2. 資料預處理
YOLO系列總結
大家好，我是羽峰，今天要和大家分享的是YOLOv3演算法，YOLOv3演算法是在YOLOv2演算法的基礎上繼續進行改進的，本文章不僅包括YOLOv3的改進原理，而且還包括YOLOv3的代碼實體講解，希望通過本視頻講解，各位朋友能夠更好的應用YOLOv3去訓練自己的專案，
如果想要YOLOv3代碼，歡迎關注“羽峰碼字”公眾號，并回復“YOLOv3”獲取相應代碼，
YOLOv3的改進
1. YOLOv3的第一個改進是網路的結構的改變
引入了ResNet思想，但是如果將ResNet模塊完全引進是整個模型就很大，所以直接將ResNet模塊的最后一層1*1*256去掉，而且將倒數第二層3*3*64直接改成3*3*128，整個網路結構如圖所示，輸入的是416*416*3的RGB影像，網路會輸出三種尺度的輸出，最后輸出每個目標物體的類別和邊框，
2. YOLOv3的第二個改進是多尺度訓練
這個多尺度訓練是真正的多尺度，一共有3種尺度，分別是13*13，26*26，52*52三種解析度，分別負責預測大，中，小的物體邊框，這種改進對小物體檢測更加友好，
YOLOv3多尺度訓練的原理如圖所示，首先一個影像輸入，被YOLOv3分割成13*13，26*26，52*52的網格，每種解析度的每個網格分別對應一個包含255個引數的向量，每個向量包括三個邊框（，每個邊框中包含85個引數，分別是邊框的中心位置（x,y），邊框的寬和高（w，h）邊框的置信度，還有80個類別概率，最后輸出每個物體的類別概率和邊框，
YOLOv3代碼實戰
1. 資料集標注
訓練YOLOv3首先要進行LabelImg標注，
LabelImg的網址為：https://github.com/tzutalin/labelImg，
安裝程式如圖所示：
安裝好之后，界面如圖所示：
首先點擊”open”打開圖片，如圖所示，打開的是一個狗和貓的圖片，然后選擇邊框進行標注，
標注好之后應該，應該備注目標物體類別，如圖所示：
標注好之后會生成“catdog.xml”檔案，
檔案內容如圖所示：
最后分別將圖片（catdog）放入./VOCdevkit/VOC2007/JpegImages, LabelImg標注影像放進“Annotations”中，如圖所示：
2. 資料預處理
當圖片和xml檔案都準備好之后 ，運行“voc2yolo3.py”程式，生成資料集串列檔案，將圖片上對應的”voc_classes.txt”換成你自己的分類標簽，如果有多個類別，請將每個類別單獨放一行，
由于我這里是零時加入進來的資料，不是本YOLOv3所執行的，后邊圖片中的資料都是原yolov3的資料，所以有些資料對應不上，但執行整個程序是接下來要說的，如果訓練自己的資料集，需要將自己的資料粘貼到對應位置，
之后在運行“voc_annotation.py”程式，運行之前，首先將程式中的類別改成你自己的類別，我這里類別只有一個“particle”
之后在運行“kmeans.py”程式，運行好之后會生成k anchor，這些數字代表了你的預生成的標注框大小，將這些標注框資料首先放入如圖所示的位置，并按照“yolo_anchors.txt”原有格式進行修改，
接下來在復制這些數字到“yolov3.cfg”中，搜索”yolo”將對應的anchors 和classes 進行修改，classes選擇你要分類的類別，我這里只有1個類別，就改成了1，一共有3個“yolo”,都要修改，修改之后就執行直接執行“train.py”了，
如果訓練完成之后，執行“yolo_video.py”進行測驗就行，如果是從我公眾號下載的yolov3,需要將yolo_video.py做如下修改：
YOLO系列總結
以上 就是我今天要分享的內容，謝謝各位，如有錯誤，歡迎批評指正，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/282838.html
標籤：AI