有问题！请你们及时反馈
-
将Darknet YOLO模型转换为Keras模型
-
运行YOLO进行检测
python convert.py yolov3.cfg yolov3.weights model_data/yolo.h5
python yolo_detection.py --image
随后有输入图片路径的提示，如：Input image filename:
python yolo_detection.py --input **A**
**A**:标识进行检测的视频路径
python yolo_detection.py --input 0
0：标识打开本地相机开启检测，远程的也是
使用 --help 查看yolo_video.py的用法
使用: yolo_detection.py [-h] [--model MODEL] [--anchors ANCHORS]
[--output]
位置参数:[--classes CLASSES] [--gpu_num GPU_NUM] [--image]
[--input]
--input 视频输入路径
--output 视频输出路径
可选参数:
-h, --help 显示此帮助消息并退出
--model MODEL 模型权重文件的路径, 默认 model_data/yolo.h5
--anchors ANCHORS 锚定义路径, 默认 model_data/yolo_anchors.txt
--classes CLASSES 类定义的路径, 默认 model_data/coco_classes.txt
--gpu_num GPU_NUM 要使用的GPU数量, 默认 1
--image 图像检测模式，将忽略所有位置参数
-
生成您自己的注释文件和类名文件
-
一行对应一个图像
-
行格式：image_file_path box1 box2 ... boxN
-
盒子格式：x_min,y_min,x_max,y_max,class_id (no space).
-
对于VOC数据集，请尝试 python voc_annotation.py
-
这里有一个例子：
path/to/img1.jpg 50,100,150,200,0 30,50,200,120,3
path/to/img2.jpg 120,300,250,600,2 ...
-
你确保已经跑过了
python convert.py -w yolov3.cfg yolov3.weights model_data/yolo_weights.h5
文件model_data/yolo_weights.h5用于加载预先训练好的权重
修改train.py开始训练
python train.py
用您的训练权重或检查点权重与命令行选项 --model model_file 当使用yolo_video.py 记得修改类路径或锚点路径 --classes class_file and --anchors anchor_file.
如果你想为YOLOv3使用原始的预先训练的权重:
https://pjreddie.com/media/files/darknet53.conv.74
将其重命名为darknet53.weights
python convert.py -w darknet53.cfg darknet53.weights model_data/darknet53_weights.h5
use model_data/darknet53_weights.h5 in train.py
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent