The yolo3_keras_flag_detection from wangtao2668129173

yolo3_keras_flag_detection's Introduction

部分实验效果(图片来着百度图片爬取)

本项目里有40类旗帜

快速开始

1. 下载本项目预训练权重

权重1

https://pan.baidu.com/s/1X08Mj2owTcOJQfsBEpf0YA

权重2

https://pan.baidu.com/s/1MIBU41gW1x7aqgQhwglAcw

2. 修改yolo.py中第24行权重路径

3. 将需要检测旗帜图片放入sample文件夹中

4. 运行检测

python yolo_images.py

训练

训练自己的数据无需使用预训练的权重（此方法适用于各类数据）

step 1

使用labelImg对数据进行标记
得到xml文件，放置于./model_data/label_train/将图片数据放在于./model_data/train/ (建议图片宽高大于416，不然影响训练)
将数据类别写入my_classes.txt中(本项目中name_classes.txt为自定义文件，因为数据标记时，标记的为类别id，为了方便检测时直接输出类别,自己数据预测时将yolo.py中的classes_path修改为自己的)

step 2

执行xml_to_data.py 生成 kitti_simple_label.txt

python xml_to_data.py

step 3

k-means 聚类算法生成对应自己样本的 anchor box 尺寸生成 my_anchors.txt

python kmeans.py

step 4

开始训练(建议epochs大于500，如果内存溢出可减小batch_size。其他参数，按照自己数据，自行修改。)

python train.py

数据集提供

旗帜（包含40个种类旗帜），数据来着于网络，数据标注是个苦力活，本数据包含1600多张图片，花费接近一个星期标注完成，且用且珍惜!!!

链接:https://pan.baidu.com/s/1sgDehVpMUrXb3AHceTimfA  密码:pgmn

直接将两个文件夹放置于model_data下

项目环境依赖

tensorflow                         1.13.1    
Keras                              2.2.4  
h5py                               2.8.0 
opencv-python                      4.0.0.21  
numpy                              1.16.2  
Anaconda3

Recommend Projects