yoloV3主页：https://pjreddie.com/darknet/yolo/

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

VOC数据集：http://host.robots.ox.ac.uk/pascal/VOC/
 

一、编译环境

• windows7
• Anaconda+python3.6+keras+tensroflow+pyCharm

二、步骤

• ### 测试

1. 从上文第二个github上下载工程，并用pyCharm打开，keras-yolo3-master。

2. 下载yoloV3权重文件

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

3. 将darknet下的yolov3配置文件转换成keras适用的h5文件：

   python convert.py yolov3.cfg yolov3.weights model_data/yolo.h5

4. 运行预测图像程序

   python yolo_video.py --image

   输入测试图像路径：

5. 输出测试结果

7. 从结果来看，预训练权重检测结果尚可。

• ### 训练

1. 下载VOC2007数据集合得到VOCtrainval_06-Nov-2007.tar和VOCtest_06-Nov-2007.tar，分别解压命名为VOC2007和VOC2007_test放在文件夹VOCdevkit下。

2. 根据使用VOC数据集的年份修改voc_annotation.py文件中的sets。

   ets=[('2007', 'train'), ('2007', 'val'), ('2007', 'test')]
   
   classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]

3. 运行代码

   python voc_annotation.py

   得到3个txt文件：2007_val.txt，2007_train.txt，2007_test_test.txt

4. 为了加快训练速度，下载darknet网络的预训练权重

   https://pjreddie.com/media/files/darknet53.conv.74

   将darknet53.conv.74改名为darknet53.weights,并转化为keras能够接受的权重形式。

   python convert.py -w darknet53.cfg darknet53.weights model_data/darknet53_weights.h5

5. 修改train.py的34行，将weights_path='model_data/yolo_weights.h5'修改为weights_path='model_data/darknet53_weights.h5',运行代码

6. python train.py

   训练过程：

7. 训练结束：

8. 第一阶段训练结束，训练50次得到trained_weights_stage_1.h5，此时的loss=34,似乎下降明显，但是val_loss=4399依然很大。Train.py的71行开始会在不释放当前训练结果的前提下进行第二阶段的训练，但是似乎由于显存耗尽的缘故，训练没有持续下去。

9. 对第一阶段的训练结果进行测试，

   修改yolo.py的代码

   #"model_path": 'model_data/yolo.h5',
   "model_path": 'model_data/trained_weights_stage_1.h5',
   "anchors_path": 'model_data/yolo_anchors.txt',
   #"classes_path": 'model_data/coco_classes.txt',
   "classes_path": 'model_data/voc_classes.txt',

   运行代码

   python yolo_video.py --image

   测试结果如下：

11. 可以看出测试结果很不好。所以，应该尝试继续训练。

参考：使用keras版本的yoloV3训练并在VOC数据集上测试