在前面的文章中，已經介紹了基於SSD使用自己的資料訓練目標檢測模型（見文章：手把手教你訓練自己的目標檢測模型），本文將基於另一個目標檢測模型YOLO，介紹如何使用自己的資料進行訓練。

 
YOLO（You only look once）是目前流行的目標檢測模型之一，目前最新已經發展到V3版本了，在業界的應用也很廣泛。YOLO的基本原理是：首先對輸入影象劃分成7x7的網格，對每個網格預測2個邊框，然後根據閾值去除可能性比較低的目標視窗，最後再使用邊框合併的方式去除冗餘視窗，得出檢測結果，如下圖：
 
YOLO的特點就是“快”，但由於YOLO對每個網格只預測一個物體，就容易造成漏檢，對物體的尺度相對比較敏感，對於尺度變化較大的物體泛化能力較差。

本文的目標仍舊是在影象中識別檢測出可愛的熊貓

基於YOLO使用自己的資料訓練目標檢測模型，訓練過程跟前面文章所介紹的基於SSD訓練模型一樣，主要步驟如下：
 
1、安裝標註工具
本案例採用的標註工具是labelImg，在前面的文章介紹訓練SSD模型時有詳細介紹了安裝方法（見文章：手把手教你訓練自己的目標檢測模型），在此就不再贅述了。
成功安裝後的labelImg標註工具，如下圖：

2、標註資料
使用labelImg工具對熊貓照片進行畫框標註，自動生成VOC_2007格式的xml檔案，儲存為訓練資料集。操作方式跟前面的文章介紹訓練SSD模型的標註方法一樣（見文章：手把手教你訓練自己的目標檢測模型

3、配置YOLO
（1）安裝Keras
 
本案例選用YOLO的最新V3版本，基於Keras版本。Keras是一個高層神經網路API，以Tensorflow、Theano和CNTK作為後端。由於本案例的基礎環境（見文章：AI基礎環境搭建）已經安裝了tensorflow，因此，Keras底層將會呼叫tensorflow跑模型。Keras安裝方式如下：

# 切換虛擬環境
source activate tensorflow
# 安裝keras-gpu版本
conda install keras-gpu
# 如果是安裝 keras cpu版本，則執行以下指令
#conda install keras
 

keras版本的yolo3還依賴於PIL工具包，如果之前沒安裝的，也要在anaconda中安裝

# 安裝 PIL
conda install pillow

（2）下載yolo3原始碼
在keras-yolo3的github上下載原始碼（https://github.com/qqwweee/keras-yolo3），使用git進行clone或者直接下載成zip壓縮檔案。

（3）匯入PyCharm
開啟PyCharm，新建專案，將keras-yolo3的原始碼匯入到PyCharm中

4、下載預訓練模型
YOLO官網上提供了YOLOv3模型訓練好的權重檔案，把它下載儲存到電腦上。下載地址為https://pjreddie.com/media/files/yolov3.weights

5、訓練模型
接下來到了關鍵的步驟：訓練模型。在訓練模型之前，還有幾項準備工作要做。
（1）轉換標註資料檔案
YOLO採用的標註資料檔案，每一行由檔案所在路徑、標註框的位置（左上角、右下角）、類別ID組成，格式為：image_file_path x_min,y_min,x_max,y_max,class_id
例子如下：
 
這種檔案格式跟前面製作好的VOC_2007標註檔案的格式不一樣，Keras-yolo3裡面提供了voc格式轉yolo格式的轉換指令碼 voc_annotation.py
在轉換格式之前，先開啟voc_annotation.py檔案，修改裡面的classes的值。例如本案例在voc_2007中標註的熊貓的物體命名為panda，因此voc_annotation.py修改為：

import xml.etree.ElementTree as ET
from os import getcwd

sets=[('2007', 'train'), ('2007', 'val'), ('2007', 'test')]

classes = ["panda"]

新建資料夾VOCdevkit/VOC2007，將熊貓的標註資料資料夾Annotations、ImageSets、JPEGImages放到資料夾VOCdevkit/VOC2007裡面，然後執行轉換指令碼，程式碼如下：

mkdir VOCdevkit
mkdir VOCdevkit/VOC2007
mv Annotations VOCdevkit/VOC2007
mv ImageSets VOCdevkit/VOC2007
mv JPEGImages VOCdevkit/VOC2007

source activate tensorflow
python voc_annotation.py

轉換後，將會自動生成yolo格式的檔案，包括訓練集、測試集、驗證集。

（2）建立類別檔案
在PyCharm匯入的keras-yolo3原始碼中，在model_data目錄裡面新建一個類別檔案my_class.txt，將標註物體的類別寫到裡面，每行一個類別，如下：

（3）轉換權重檔案
將前面下載的yolo權重檔案yolov3.weights轉換成適合Keras的模型檔案，轉換程式碼如下：

source activate tensorflow
python convert.py -w yolov3.cfg yolov3.weights model_data/yolo_weights.h5

（4）修改訓練檔案的路徑配置
修改train.py裡面的相關路徑配置，主要有：annotation_path、classes_path、weights_path

其中，train.py裡面的batch_size預設是32（第57行），指每次處理時批量處理的數量，數值越大對機器的效能要求越高，因此可根據電腦的實際情況進行調高或調低

（5）訓練模型
經過以上的配置後，終於全部都準備好了，執行train.py就可以開始進行訓練。

訓練後的模型，預設儲存路徑為logs/000/trained_weights_final.h5，可以根據需要進行修改，位於train.py的第85行，可修改模型儲存的名稱。

6、使用模型
完成模型的訓練之後，呼叫yolo.py即可使用我們訓練好的模型。
首先，修改yolo.py裡面的模型路徑、類別檔案路徑，如下：

class YOLO(object):
    _defaults = {
        "model_path": 'logs/000/trained_weights_final.h5',
        "anchors_path": 'model_data/yolo_anchors.txt',
        "classes_path": 'model_data/my_classes.txt',
        "score" : 0.3,
        "iou" : 0.45,
        "model_image_size" : (416, 416),
        "gpu_num" : 1,
    }

通過呼叫 YOLO類就能使用YOLO模型，為方便測試，在yolo.py最後增加以下程式碼，只要修改影象路徑後，就能使用自己的yolo模型了

if __name__ == '__main__':
    yolo=YOLO()
    path = '/data/work/tensorflow/data/panda_test/1.jpg'
    try:
        image = Image.open(path)
    except:
        print('Open Error! Try again!')
    else:
        r_image, _ = yolo.detect_image(image)
        r_image.show()

    yolo.close_session()

執行後，可愛的熊貓就被乖乖圈出來了，呵呵

通過以上步驟，我們又學習了基於YOLO來訓練自己的目標檢測模型，這樣在應用中可以結合實際需求，使用SSD、YOLO訓練自己的資料，並從中選擇出效果更好的目標檢測模型。

後面還會陸續推出更多【AI實戰】內容，敬請留意。
 

推薦相關閱讀

• 【AI實戰】快速掌握TensorFlow（一）：基本操作
• 【AI實戰】快速掌握TensorFlow（二）：計算圖、會話
• 【AI實戰】快速掌握TensorFlow（三）：激勵函式
• 【AI實戰】快速掌握TensorFlow（四）：損失函式
• 【AI實戰】搭建基礎環境
• 【AI實戰】訓練第一個模型
• 【AI實戰】編寫人臉識別程式
• 【AI實戰】動手訓練目標檢測模型（SSD篇）
• 【AI實戰】動手訓練目標檢測模型（YOLO篇）
• 【精華整理】CNN進化史
• 大話卷積神經網路（CNN）
• 大話迴圈神經網路（RNN）
• 大話深度殘差網路（DRN）
• 大話深度信念網路（DBN）
• 大話CNN經典模型：LeNet
• 大話CNN經典模型：AlexNet
• 大話CNN經典模型：VGGNet
• 大話CNN經典模型：GoogLeNet
• 大話目標檢測經典模型：RCNN、Fast RCNN、Faster RCNN
• 大話目標檢測經典模型：Mask R-CNN
• 27種深度學習經典模型
• 淺說“遷移學習”
• 什麼是“強化學習”
• AlphaGo演算法原理淺析
• 大資料究竟有多少個V
• Apache Hadoop 2.8 完全分散式叢集搭建超詳細教程
• Apache Hive 2.1.1 安裝配置超詳細教程
• Apache HBase 1.2.6 完全分散式叢集搭建超詳細教程
• 離線安裝Cloudera Manager 5和CDH5（最新版5.13.0）超詳細教程

關注本人公眾號“大資料與人工智慧Lab”（BigdataAILab），獲取更多資訊。