yolov3 keras版本更换自己的数据集进行训练方法。

最新推荐文章于 2024-08-31 09:36:05 发布

翻译最新推荐文章于 2024-08-31 09:36:05 发布 · 1.5k 阅读

本文介绍了Keras-Yolo3的数据集标注与训练流程。先使用labelimg标注，标签存为xml格式，自动化分数据集。接着修改相关文件中的分类，转换成yolo格式文件并生成anchor_box。然后修改train.py文件，开始训练，训练完成后保存模型，最后进行测试。

参考https://blog.youkuaiyun.com/mingqi1996/article/details/83343289

1.使用labelimg标注，标签为xml格式，标签为英文，存放到keras-yolo3/VOCdevkit/VOC2019/Annotations,存放原始图像keras-yolo3/VOCdevkit/VOC2019/JPEGImages。
2.自动化分数据集：python make_main_txt.py。
3.# 分类改变的话，修改labelImg-master/data/predefined_classes.txt；
    修改voc_annotation.py中分类：classes = ['car']；
    修改keras-yolo3/model_data/my_class.txt中的分类；
    # 修改yolov3.cfg修改每个yolo层上一层的filter为3*(class+5)；(若训练自己的数据集没有必要修改)。
4.转换成yolo格式的文件：python voc_annotation.py，并将生成的三个文件移动到keras-yolo3/model_data文件夹下。需要根据自   己的数据集制定anchor_box，将kmeans.py文件中的filename改为生成的2019_train.txt，生成9个从小到大排列的anchor_box。

5.修改train.py:
      annotation_path = 'model_data/2019_train.txt'
      log_dir = 'model_data/logs/'
      classes_path = 'model_data/my_class.txt'
      anchors_path = 'model_data/yolo_anchors.txt'
6.开始训练：python train.py。
7.训练完成之后，训练模型保存在keras-yolo3/model_data/logs/1.h5。
8.测试：python yolo_video.py --image。