最近在研究車輛檢測相關算法，因yolo算法的速度和精度基本均能滿足要求，原版的yolo v3算法是檢測多類物體，本人是在原來代碼的基礎上修改爲檢測單目標車輛，並基於預訓練權重在VOC2007數據集上進行訓練。
源代碼：https://github.com/qqwweee/keras-yolo3
原作者已經給出了訓練和測試方法，在此不再贅述。
要實現只檢測“car”這一類別，要修改的地方有一下幾個：
1、修改yolo.cfg文件
將yolo.cfg文件的classes修改爲1，所有的filters=255的值修改爲filters=18（計算方式爲(classes+5)*3）。（爲了不改變yolo.cfg，我是直接將yolo.cfg另存爲car.cfg，再做修改）
注意：filters僅僅是Yolo層前的filters修改爲18
2、修改類別文件
將coco_class.txt和voc_class.txt文件中的類別全部修改成‘car’ ，或在該目錄下新建object_classes.txt文件，寫入car。
3、修改voc_annocation.py， 生成數據集
將voc_annocation.py 中的classes修改成只有“car”一個，
準備數據集VOC2007, 然後運行voc_annocation.py生成2007_train.txt和2007_test.txt,2007_val.txt文件
4、生成預訓練權重文件yolo_weights.h5
下載 yolov3.weights ，放到工程根目錄下，cmd下切換到工程目錄下，使用命令：
python convert.py -w car.cfg yolov3.weights model_data/yolo_weights.h5
注意，此處的car.cfg 爲前面新建的，如果直接在原yolo.cfg上改的，則使用yolo.cfg
5、進行訓練
運行 train.py 文件，注意更改訓練文件目錄(annotation_path)，類別文件目錄(classes_path)。
訓練完成後會生成一個logs文件夾，裏面的000文件夾下會有訓練好的權重文件，trained_weights_stage_1.h5 是第一階段訓練得到的（只訓練後三層），trained_weights_final.h5是最終得到的訓練權重文件（全訓練）。
6、測試
修改yolo.py文件，將其中的model_path換成自己生成的trained_weights_final.h5文件的目錄， classes_path 改成 待檢測的目標類文件object_classes.txt.
最後就是加載圖片或視頻進行測試了。
也可根據需要，對應做上面的修改以滿足指定類別物體的檢測。
初學者，以上如有不正確之處請指出，謝謝！