darkflow安装测试

darkflow实现了将darknet翻译成tensorflow,可以用tensorflow加载darknet训练好的模型,并使用tensorflow重新训练,输出tensorflow graph模型,用于移动设备.

0. 下载安装包

git clone https://github.com/thtrieu/darkflow

注：安装之前需要安装好：Python3、tensorflow 1.0、numpy, opencv 3，如果没有安装请先安装好。

1. 安装

cd darkflow
python3 setup.py build_ext --inplace
sudo pip3 install .

在最后一一步进行pip install.的时候，如果不加入sudo是没有权限的。

2. 测试

模型权重下载(可能需要翻墙)：https://drive.google.com/drive/folders/0B1tW_VtY7onidEwyQ2FtQVplWEU
不能翻墙可以去百度云链接(密码：xf8a)
将下载好的权重放置到bin文件夹内。
使用yolo-tiny进行检测

python3 ./flow --imgdir sample_img/ --model cfg/tiny-yolo-4c.cfg --load bin/tiny-yolo-voc.weights --gpu 0 --json

使用yolo进行检测

python3 ./flow --imgdir sample_img/ --model cfg/yolo.cfg --load bin/yolo.weights --gpu 0 --json

检测结果我们可以在./darkflow/sample_img/out文件夹中看到，文件格式为文件名+.json

JSON 输出文件格式为:

[{"label":"person", "confidence": 0.56, "topleft": {"x": 184, "y": 101}, "bottomright": {"x": 274, "y": 382}},
{"label": "dog", "confidence": 0.32, "topleft": {"x": 71, "y": 263}, "bottomright": {"x": 193, "y": 353}},
{"label": "horse", "confidence": 0.76, "topleft": {"x": 412, "y": 109}, "bottomright": {"x": 592,"y": 337}}]

label: 检测分类；
confidence: 置信度；
topleft: 检测框左上角坐标；
bottomright: 检测框右下角坐标。

3. 训练

3.1 训练新的模型

训练模型的操作是简单的，只需要将后边添加--train
从yolo-tiny中初始化yolo-new，然后100%在GPU上进行训练:

flow --model cfg/yolo-new.cfg --load bin/tiny-yolo.weights --train --gpu 1.0

完成yolo-new的初始化，使用ADAM进行训练

flow --model cfg/yolo-new.cfg --train --trainer adam

在训练期间，脚本偶尔会将中间结果保存到Tensorflow checkpoints中，并存储在ckpt/中。 要在执行训练/测试之前恢复到任何检查点，请使用–load [checkpoint_num]选项，如果checkpoint_num <0，则darkflow将通过解析ckpt/checkpoint加载最新的保存。

3.2 训练自己的数据集

• **1.**创建一个配置文件tiny-yolo-voc.cfg的副本并根据您的偏好重新命名它tiny-yolo-voc-3c.cfg。

注：当darkflow发现您正在加载tiny-yolo-voc.weights时，它会在cfg/文件夹中查找tiny-yolo-voc.cfg，并将该配置文件与您使用–model cfg/tiny-yolo-voc-3c.cfg设置的新配置文件进行比较。 在这种情况下，除了最后两个图层外，每个图层都具有相同的权重数量，所以它会将权重加载到所有图层中，直到后两个图层，因为它们现在包含不同数量的权重。

• **2.**在tiny-yolo-voc-3c.cfg中，将[region]层（最后一层）中的类更改为要训练的类的数量。 在我们的例子中，类被设置为3。

...
[region]
anchors = 1.08,1.19,  3.42,4.41,  6.63,11.38,  9.42,5.11,  16.62,10.52
bias_match=1
classes=3
coords=4
num=5
softmax=1
...

• **3.**在tiny-yolo-voc-3c.cfg中，将[convolutional]层（第二层到最后一层）中的滤镜更改为num （classes + 5）。 在我们的例子中，num是5并且类是3，所以5 （3 + 5）= 40，因此过滤器被设置为40。

 ...
[convolutional]
size=1
stride=1
pad=1
filters=40
activation=linear

[region]
anchors = 1.08,1.19,  3.42,4.41,  6.63,11.38,  9.42,5.11,  16.62,10.52
...

• **4.**更改labels.txt以包含要训练的标签（标签数量应与您在tiny-yolo-voc-3c.cfg文件中设置的分类数量相同）。 在我们的例子中，labels.txt将包含3个标签。

label1
label2
label3

• **5.**训练时参考tiny-yolo-voc-3c.cfg模型。

 flow --model cfg/tiny-yolo-voc-3c.cfg --load bin/tiny-yolo-voc.weights --train --annotation train/Annotations --dataset train/Images

4. 相机/视频文件演示

对于完全在CPU上运行的演示：

flow --model cfg/yolo-new.cfg --load bin/yolo-new.weights --demo videofile.avi

对于在GPU上运行100％的演示：

flow --model cfg/yolo-new.cfg --load bin/yolo-new.weights --demo videofile.avi --gpu 1.0

要使用摄像头/摄像头，只需使用关键字camera替换videofile.avi即可。
要使用预测的边界框保存视频，请添加–saveVideo选项。

# 检测摄像头版：
python3 flow --model cfg/yolo.cfg --load bin/yolo.weights --demo camera
# 检测视频版：
python3 flow --model cfg/yolo.cfg --load bin/yolo.weights --demo demo.avi
# 使用GPU版：
python3 flow --model cfg/yolo.cfg --load bin/yolo.weights --demo camera --gpu 1.0

5. python接口

注：请注意，return_predict（img）必须采用numpy.ndarray。 您的图片必须事先加载并传递给return_predict（img）。 传递文件路径不起作用。return_predict（img）的结果将是一个字典列表，它表示每个检测到的对象的值与上面列出的JSON输出格式相同。

from darkflow.net.build import TFNet
import cv2

options = {"model": "cfg/yolo.cfg", "load": "bin/yolo.weights", "threshold": 0.1}

tfnet = TFNet(options)

imgcv = cv2.imread("./sample_img/sample_dog.jpg")
result = tfnet.return_predict(imgcv)
print(result)

6.将构建的图保存到protobuf文件（.pb）

将最近的检查点保存为protobuf文件

flow --model cfg/yolo-new.cfg --load -1 --savepb

保存图和权重到protobuf文件

flow --model cfg/yolo.cfg --load bin/yolo.weights --savepb

参考

GitHub - thtrieu/darkflow: Translate darknet to tensorflow. Load trained weights, retrain/fine-tune using tensorflow, export constant graph def to mobile devices

darkflow使用