基於yoloV3進行單目標檢測

一、前言

之前的一篇文章在用SSD進行行人檢測是重新對coco數據集中的人標籤進行訓練，但是精度和速度都比yolov3差一點，應該是訓練的原因，這裏將基於yolov3tennsorflow版實現單目標檢測（Keras版可同理進行更改）。

二、準備

準備將yolov3目標檢測項目下載下來，進入項目的core文件夾將utils.py文件中的draw_bbox函數更改成下面這樣

def draw_bbox(image, bboxes, classes=read_class_names(cfg.YOLO.CLASSES), show_label=True):
    """
    bboxes: [x_min, y_min, x_max, y_max, probability, cls_id] format coordinates.
    """

    num_classes = len(classes)
    image_h, image_w, _ = image.shape
    hsv_tuples = [(1.0 * x / num_classes, 1., 1.) for x in range(num_classes)]
    colors = list(map(lambda x: colorsys.hsv_to_rgb(*x), hsv_tuples))
    colors = list(map(lambda x: (int(x[0] * 255), int(x[1] * 255), int(x[2] * 255)), colors))

    random.seed(0)
    random.shuffle(colors)
    random.seed(None)

    for i, bbox in enumerate(bboxes):
        coor = np.array(bbox[:4], dtype=np.int32)
        fontScale = 0.5
        score = bbox[4]
        class_ind = int(bbox[5])
        # print('ind',class_ind)
        bbox_color = colors[class_ind]
        bbox_thick = int(0.6 * (image_h + image_w) / 600)
        c1, c2 = (coor[0], coor[1]), (coor[2], coor[3])
        #cv2.rectangle(image, c1, c2, bbox_color, bbox_thick)

        if show_label and class_ind == 0:    # 0 只檢測人   1 自行車  2 汽車  可根據coconame 進行單目標檢查
        #if show_label:
            bbox_mess = '%s: %.2f' % (classes[class_ind], score)
            t_size = cv2.getTextSize(bbox_mess, 0, fontScale, thickness=bbox_thick//2)[0]
            cv2.rectangle(image, c1, (c1[0] + t_size[0], c1[1] - t_size[1] - 3), bbox_color, -1)  # filled

            cv2.putText(image, bbox_mess, (c1[0], c1[1]-2), cv2.FONT_HERSHEY_SIMPLEX,
                        fontScale, (0, 0, 0), bbox_thick//2, lineType=cv2.LINE_AA)
            # cv2.rectangle(image, c1, c2, bbox_color, bbox_thick)

    return image

三、效果

之前：

之後：