一、編譯環境

• windows7
• Anaconda+python3.6+keras+tensroflow+pyCharm

二、步驟

• 測試

1. 從上文第二個github上下載工程，並用pyCharm開啟，keras-yolo3-master。
2. 下載yoloV3權重檔案

   https://pjreddie.com/media/files/yolov3.weights

3. 將darknet下的yolov3配置檔案轉換成keras適用的h5檔案：

   python convert.py yolov3.cfg yolov3.weights model_data/yolo.h5

4. 執行預測影象程式

   python yolo_video.py --image

   輸入測試影象路徑：

5. 輸出測試結果

6. 

7. 從結果來看，預訓練權重檢測結果尚可。

• 訓練

1. 下載VOC2007資料集合得到VOCtrainval_06-Nov-2007.tar和VOCtest_06-Nov-2007.tar，分別解壓命名為VOC2007和VOC2007_test放在資料夾VOCdevkit下。
2. 根據使用VOC資料集的年份修改voc_annotation.py檔案中的sets。

   ets=[('2007', 'train'), ('2007', 'val'), ('2007', 'test')]
   
   classes = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair", "cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant", "sheep", "sofa", "train", "tvmonitor"]
    
   

3. 執行程式碼

   python voc_annotation.py

   得到3個txt檔案：2007_val.txt，2007_train.txt，2007_test_test.txt

4. 為了加快訓練速度，下載darknet網路的預訓練權重

   https://pjreddie.com/media/files/darknet53.conv.74

   將darknet53.conv.74改名為darknet53.weights,並轉化為keras能夠接受的權重形式。

   python convert.py -w darknet53.cfg darknet53.weights model_data/darknet53_weights.h5
    
   

   

5. 修改train.py的34行，將weights_path='model_data/yolo_weights.h5'修改為weights_path='model_data/darknet53_weights.h5',執行程式碼

6. python train.py

   訓練過程：

7. 訓練結束：

8. 第一階段訓練結束，訓練50次得到trained_weights_stage_1.h5，此時的loss=34,似乎下降明顯，但是val_loss=4399依然很大。Train.py的71行開始會在不釋放當前訓練結果的前提下進行第二階段的訓練，但是似乎由於視訊記憶體耗盡的緣故，訓練沒有持續下去。

9. 對第一階段的訓練結果進行測試，

   修改yolo.py的程式碼

   #"model_path": 'model_data/yolo.h5',
   "model_path": 'model_data/trained_weights_stage_1.h5',
   "anchors_path": 'model_data/yolo_anchors.txt',
   #"classes_path": 'model_data/coco_classes.txt',
   "classes_path": 'model_data/voc_classes.txt',

   執行程式碼

   python yolo_video.py --image

   測試結果如下：

10. 

11. 可以看出測試結果很不好。所以，應該嘗試繼續訓練。