【人工智能笔记】第二十八节 tensorflow 2.0 实现YoloV3与YoloV4

最新推荐文章于 2025-09-24 15:23:36 发布
原创 最新推荐文章于 2025-09-24 15:23:36 发布 · 247 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #tensorflow 2.0 #YoloV3 #YoloV4 #python

部署运行你感兴趣的模型镜像

基于tensorflow2的YoloV3与YoloV4实现

yolov3源码地址：
https://github.com/tfwcn/tensorflow2-machine-vision/tree/master/AIServer/ai_api/ai_models/yolo_v3

yolov4源码地址：
https://github.com/tfwcn/tensorflow2-machine-vision/tree/master/AIServer/ai_api/ai_models/yolo_v4

实现内容

  • CSPDarknet53 + SPP + PAN (已实现)
  • CIoU-loss (已实现)
  • Mish activation (已实现)
  • Crossstage partial connections(CSP) (已实现)
  • DIoU-NMS (已实现)
  • CutMix (未实现)
  • Mosaic data augmentation (未实现)
  • DropBlock regularization (效果较差，暂不发布)
  • Class label smoothing (未实现)
  • Multiinput weighted residual connections(MiWRC) (未实现)
  • CmBN (未实现)
  • Self Adversarial Training (未实现)
  • Eliminate gridsensitivity (未实现)
  • Using multiple anchors for a single groundtruth (未实现)
  • Cosine annealing scheduler (未实现)
  • Optimal hyper-parameters (未实现)
  • Random training shapes (未实现)
  • SAM-block (未实现)

素材标注

素材标注使用Labelme
https://github.com/tfwcn/labelme

转换权重

yolo权重转h5，yolo权重请在官网下载：

https://raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov4.cfg

https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights

python ./ai_api/ai_models/yolo_v4/convert.py ./data/yolo_v4_weights/yolov3.cfg ./data/yolo_v4_weights/yolov3.weights ./data/yolo_v4_weights/yolo.h5 --plot_model --weights_only

h5转tf，如果类别数有变化，需重新转换

python ./ai_api/ai_models/yolo_v4/convert_tf2.py --old_weights_path ./data/yolo_v4_weights/yolo.h5 --output_path ./data/yolo_v4_weights/tf2_weights/tf2_weights.ckpt --classes_num 80

coco2017标签转换

python ./ai_api/ai_models/utils/coco.py --dataDir ./coco2017 --dataType train2017 --outDir ./data

训练

python ./ai_api/ai_models/yolo_v4/train.py --trainData "./coco2017/train2017" --valData "./coco2017/val2017" --trainLabels "./data/coco_train_labels.txt" --valLabels "./data/coco_test_labels.txt" --classesFile "./data/coco_classes.txt" --anchorsFile "./data/coco_anchors.txt" --batchSize 4

测试

python ./ai_api/ai_models/yolo_v4/test.py --imageFile "./data/img.png" --anchorsFile "./data/coco_anchors.txt" --classesFile "./data/coco_classes.txt" --model_path "./data/yolo_v4_weights/tf2_weights/"

测试

启动服务：

python manage.py runserver 0.0.0.0:8080

浏览器打开：

http://127.0.0.1:8080/static/object_detection/predict_image_read.html

参考资料：

  • https://github.com/AlexeyAB/darknet
  • https://github.com/qqwweee/keras-yolo3

您可能感兴趣的与本文相关的镜像

TensorFlow-v2.15

TensorFlow-v2.15

TensorFlow

TensorFlow 是由Google Brain 团队开发的开源机器学习框架,广泛应用于深度学习研究和生产环境。 它提供了一个灵活的平台,用于构建和训练各种机器学习模型

TensorFlow2深度学习实战（十四）：目标检测算法 YOLOv4 解析
不积跬步，无以至千里！
05-24 7356
最易上手的【计算机视觉】小白教程！
TensorFlow2深度学习实战（十五）：目标检测算法 YOLOv4 实战
不积跬步，无以至千里！
07-17 3639
YOLOv4 目标检测实战详细讲解！
yolo4_tensorflow2:tensorflow2.0实现的yolo第4版
03-21
yolo4_tensorflow2 tensorflow2.0实现的yolo第4版 [目录] 概述 对于那些在GPU平台上运行的检测器，它们的主干网络可能为VGG，ResNet，ResNeXt或DenseNet。 而对于那些在CPU平台上运行的检测器，他们的检测器可能为SqueezeNet，MobileNet，ShufflfleNet。 最具特色的二阶段目标检测器R-CNN系列，包括快速R-CNN，更快的R-CNN，R-FCN [9]，Libra R-CNN。目标检测器，例如RepPoints。至于一阶段目标检测器，尤其有意义的网络包括YOLO，SSD，RetinaNet。 一阶段的无锚目标检测器在不断发展，包括CenterNet，CornerNet，FCOS等。收集不同阶段的特征图，具有这种机制的网络，包括特征金字塔网络（FPN），路径聚合网络（PAN），BiFPN和NAS-FPN。
Tensorflow2.0 实现 YOLOv3（四）：utils.py
cocofisher的博客
05-07 3214
文章目录文章说明导入需要的库image_preprocessload_weights 文章说明 本系列文章旨在对 Github 上 malin9402 提供的代码进行说明，在这篇文章中，我们会对 YOLOv3 项目中的 utils.py 文件进行说明。 如果只是想运行 Github 上的代码，可以参考对 YOLOv3 代码的说明一文。 导入需要的库 import cv2 import random...
关于tensorflow版yolov3剪枝
qq_34183487的博客
12-10 416
总体思路： 2.0以下的tensorflow是静态的计算图，做剪枝是非常不方便的，tf2.0以上应该不存在这个问题，但工业上目前应用不多，主要原因应该是生态做起来需要一段时间。 因此我们使用pytorch做通道剪枝（层剪枝等这些网上很多），通过pytorch做完剪枝后把pt文件转成weights（一般项目中有），pytorch剪枝后的模型结构会生成一个cfg文件，根据cfg文件，可以在tensorflow上复现出模型结构。再把weights喂进去就可以了。 为什么不用onnx进行转换？ 1. 不灵活 2
〖TensorFlow2.0笔记13〗梯度下降,函数优化实战,手写数字问题实战以及Tensorboard可视化！
AI新视界
04-25 3373
文章目录一、介绍 一、介绍 本文为YOLO提供了一系列更新！它包含一堆小设计，可以使系统的性能得到更新；也包含一个新训练的、非常棒的神经网络，虽然比上一版更大一些，但精度也提高了。不用担心，虽然体量大了点，它的速度还是有保障的。在输入320×320的图片后，YOLOv3能在22毫秒内完成处理，并取得28.2mAP的成绩。它的精度和SSD相当，但速度要快上3倍。和旧版数据相比，v3版进步明显。在Ti...
PyTorch版YOLOv4训练自己的数据集---基于Google Colab
Whisper_lg的博客
06-01 6142
colab简介 Google Colaboratory是谷歌开放的一款研究工具，主要用于机器学习的开发和研究。 工具优势：Google Colab最大的好处是给广大的AI开发者提供了免费的GPU使用。你可以在上面轻松地跑例如：Keras、Tensorflow、Pytorch等框架。目前GPU型号为 ；其次是入门相对简单，语法和cmd语句以及linux语句相似。 工具缺陷：需要免费vpn，对自身网络有一定要求，否则容易断联。但是目前本人使用过程中很少发生上述情况，除了电脑熄屏的时候导致断联。
AI人工智能领域中Pytorch的部署与优化
AI 原生应用开发的博客
07-06 755
想象你花了3个月训练出一个图像分类模型，在GPU上准确率高达98%，开心地告诉老板："模型做好了！"老板却问："能放到我们的手机APP里吗？用户打开APP要等10秒才能识别结果，谁会用啊？"这时你才发现——训练好模型只是开始，让模型在实际场景中高效运行（部署），同时兼顾速度、内存和能耗（优化），才是AI落地的关键。本文的目的就是解决这个问题：从基础概念到实战操作，全面讲解PyTorch模型的部署流程和优化技术。部署的核心流程（模型导出→优化→推理）主流优化技术（量化、剪枝、知识蒸馏等）
AI 应用架构师：智能交通系统 AI 革命的幕后英雄
最新发布
AI架构全栈开发实战笔记
09-24 279
早高峰的环路像巨型停车场，救护车被堵在中间无法救援；晚高峰的十字路口，直行红灯刚变绿，左转车流又涌过来；暴雨天的快速路，因看不清前车导致连环追尾——这些场景，每个城市人都不陌生。根据《2023 中国主要城市交通分析报告》，国内超 30 个城市的高峰拥堵指数超过 1.8（指数>1.5 即为「拥堵」），交通拥堵导致的 GDP 损失占比高达 5-8%；同时，70% 的交通事故源于「感知延迟」或「决策失误」，传统交通系统（固定红绿灯配时、孤立传感器）已无法应对复杂的动态交通场景。
2025年 课程设计 机器学习&深度学习实战案例,含有python代码和教程 (4月10日已更新1179篇)
斌擎科技
10-05 9592
10月促销价99.9,适合初学python机器学习深度学习的学生,从入门到精通,专栏内含有讲解,每篇文章都含有对应的代码,会持续更新,更新至千篇案例,已经更新六百多个项。
yolo4_weight.h5
06-19
基于TensorFlow的YOLOV4的yolo4_weight.h5 权重，已经进行转化为.h5文件，直接进行使用即可。
tf2-yolov4:YOLOv4的TensorFlow 2.0实现
05-14
YOLOv4 YOLOv4的TensorFlow 2.0实现：物体检测的最佳速度和准确性 该实现（目前）使用的原始Darknet权重进行。 请参阅路线图部分以了解下一步。 安装 要安装此软件包，您可以运行： pip install tf2_yolov4 pip install tensorflow # Check that tf2_yolov4 is installed properly python -c " from tf2_yolov4.model import YOLOv4; print(YOLOv4) " 要求： MacO> = 10.15，因为tensorflow-addons对于较旧的MacO版本不可用 Python> = 3.6 TensorFlow和TensorFlow插件之间的兼容版本：检查 Colab中的示例 / 预先训练的体重 我们的YOLOv4实现与K
tensorflow-yoloV3 Windows10训练自己的数据集并计算mAP
qq_28664681的博客
08-11 975
先贴一下源码的地址，这是tensorflow1.0版本下的，作者还提供了2.0的，需要的自行下载。 https://github.com/YunYang1994/tensorflow-yolov3 作者的readme写的很清楚，这里补充一下细节，作为自己的一个笔记。 1.运行官方demo 下载训练好的模型，这个是百度云的https://pan.baidu.com/s/11mwiUy8KotjUVQXqkGGPFQ&shfl=sharepset 我也会把模型数据放到资源里，自行下载。 将上述下载的内
YOLO V3基于Tensorflow 2.0的完整实现
06-21 9163
YOLO V3版本是一个强大和快速的物体检测模型，同时原理上也相对简单。我之前的博客中已经介绍了如何用Tensorflow来实现YOLO V1版本，之后我自己也用Tensorflow 1.X版本实现了YOLO V3，现在Tensorflow演进到了2.0版本，相比较１.X版本做了很大的改进，也更加易用了，因此我记录一下如何用Tensorflow 2.0版本来实现YOLO V3。网上能找到的很多Te...
基于yolov5的卡片任意倾斜角度较正
小菜的博客
12-09 7799
序言 因为之前有在做一些规则卡片类的OCR识别任务，就难免会遇到这样的问题：用户上传的照片里卡片的角度是任意的，不规则的，或多或少都会存在不同的倾斜和形变。所以在识别的时候必须要先对其进行矫正再进行检测识别。当时有想到借鉴人脸检测中的关键点回归对卡片的四个角进行回归，但是后来感觉有点麻烦，而且数据有限，如果使用传统的opencv去寻找角点的话实际效果又不太稳定，刚好那段时间v5出来了，突发奇想可以使用v5去做，然后发现效果奇好。 一、数据准备 这里使用银行卡作为示例，其他类型卡片操作一样。首先是使用labe
Tensorflow2.0---YOLO V4-tiny网络原理及代码解析（一）- 特征提取网络
weixin_42206075的博客
02-24 7480
Tensorflow2.0—YOLO V4-tiny网络原理及代码解析（一）- 特征提取网络 先来看看YOLO V4-tiny的特征提取网络是长什么样子的。个人认为，大体的框架与YOLO V3的相似，只不过在里面加了3个tricks，让网络更加容易训练 图片转载：https://blog.csdn.net/weixin_44791964/article/details/107302710 一般来说，YOLO V4-tiny与YOLO V4差别在于tiny版本最后只有两个yolo head。同时，一般
webpack学习笔记八：实现一个vue脚手架
九段刀客的博客
10-08 353
安装依赖 可以到vue的官网中查看Vue Loader部分文档https://vue-loader.vuejs.org/zh/guide/#vue-cli cnpm install -D vue-loader vue-template-compiler 配置 1、 在插件中添加vue-loader 2、在加载器中添加.vue文件的解析 3、生成HTML指定了一个模板HTML文件 4、man.js中引入了app.vue webpack.config.js // 生成HTML const HtmlWebp
yolo v4 python_YOLOv4 的 TensorFlow 2.0 实现
weixin_39643865的博客
12-09 556
yolo4_tensorflow2yolo 4th edition implemented by tensorflow2.0[TOC]综述 对于那些在GPU平台上运行的检测器，它们的主干网络可能为VGG、ResNet、ResNeXt或DenseNet。而对于那些在CPU平台上运行的检测器，他们的检测器可能为SqueezeNet ，MobileNet， ShufflfleNet。最具代表性的二阶段目...
【人工智能笔记】第二十节 efficientdet 目标检测模型，官方源码分析系列，BiFPN实现细节分析（二）
不定时更新AI技术tensorflow实现方式，欢迎关注，有问题请私信我。
10-22 3947
本章继续分析，BiFPN的实现部分。各种FPN结构如下： 如图，单个BiFPN有8个Node。在Efficientdet模型中，由如下类组成： FPNCells：按fpn_cell_repeats参数生成重复多个BiFPN。 FPNCell：代表单个BiFPN，包含8个Node。 FNode：将当前Node的多个输入融合，产生一个输出。 代码结构如下： FPNCells代码如下： class FPNCells(tf.keras.layers.Layer): .
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

PPHT-H

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值