來自華盛頓大學的 Joseph Redmon 和 Ali Farhadi 提出的YOLOv3 通過在 YOLO 中加入設計細節的變化，這個新模型在取得相當準確率的情況下實現了檢測速度的很大提升，一般它比 R-CNN 快 1000 倍、比 Fast R-CNN 快 100 倍。

這里附上 YOLOv3 的論文地址：

本文的項目作者是 wizyoung，原 GitHub 項目地址為：

1. 介紹

本文將介紹 YOLO3 的完整 TensorFlow 實現。可在自己的數據集上進行完整的訓練和驗證操作，pipeline 完整。其特點包括：

高效的 tf.data 管道

權重轉換

GPU 提速，無限制

完整的訓練管道

使用 kMeans 算法來選擇 anchor boxes

多 GPU 同步訓練

2. 需求

tensorflow >= 1.8.0(不排除低版本也能工作)

opencv-python

3. 權重轉換

預訓練的 darknet 權重文件可從下方鏈接下載：

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

把下載好后的文件放在 ./data/darknet_weights/ 目錄下，運行下面的命令：

然后，轉換后的 TensorFlow checkpoint 文件將被保存在 ./data/darknet_weights/ 目錄下。

4. 運行 demos

在 ./data/demo_data/ 目錄里有一些圖像和視頻的 demos 可以運行。

單個圖像測試 demo：

視頻測試 demo：

結果展示：

5. 運行速度

圖片尺寸為 416×416，論文實現與我的模型運行速度比較如下：

為什么會這么快呢？我們看一下論文中 ImageNet 分類情況：

6. 模型結構

為了更好地理解模型體系結構，可以參考下圖：

7. 訓練

首先是數據準備，分為三步。

1)annotation file

在 ./data/my_data/ 目錄下生成 train.txt/val.txt/test.txt 文件。txt 文件中一行表示一張圖片，形式為：圖片絕對路徑 + box_1 + box_2 + … + box_n。Box 的形式為：label_index + x_min + y_min + x_max + y_max，原始坐標為圖片左上角。

例如：

xxx/xxx/1.jpg 0 453 369 473 391 1 588 245 608 268

xxx/xxx/2.jpg 1 466 403 485 422 2 793 300 809 320

…

注意：每個 txt 文件最后一行為空白行。

2)class_names file

在 ./data/my_data/ 目錄下生成 data.names 文件，每一行代表一個類別名稱。例如：

bird

person

bike

…

3)prior anchor file

使用 kMeans 算法來選擇 anchor boxes：

然后，你將得到 9 個 anchors 和評價 IOU，把 anchors 保存在 txt 文件中。

準備完數據之后就可以開始訓練了。

使用 train.py 文件，函數參數如下：

8. 評價

使用 eval.py 來評估驗證集和測試集，函數參數如下：

函數返回 loss、召回率 recall、精準率 precision，如下所示：

recall: 0.927, precision: 0.945

total_loss: 0.210, loss_xy: 0.010, loss_wh: 0.025, loss_conf: 0.125, loss_class: 0.050

9. 其它技巧

訓練的時候可以嘗試使用下面這些技巧：

Data augmentation：使用 ./utils/data_utils.py 中的 data_augmentation 方法來增加數據。

像 Gluon CV 一樣混合和 label 平滑。

正則化技巧，例如 L2 正則化。

多尺度訓練：你可以像原稿中的作者那樣定期改變輸入圖像的尺度(即不同的輸入分辨率)。

完整代碼請見 GitHub：

參考文獻：

https://github.com/YunYang1994/tensorflow-yolov3

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

https://github.com/eriklindernoren/PyTorch-YOLOv3

https://github.com/pjreddie/darknet

總結

以上是生活随笔為你收集整理的yolov3安卓实现_YOLOv3 的 TensorFlow 实现，GitHub 完整源码解析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。