深度學習之多目標檢測與跟蹤

支持用自己的數據訓練模型。

TensorFlow實現，包含了以下部分：

• YOLOv3架構
• 權重轉換器 (Weight Converter)
• 基礎版Demo
• GPU和CPU上都支持非極大抑制 (Non-Maximum Suppression)
• 訓練pipeline
• COCO mAP計算

快速開始：

四個步驟，速速上車。

1.複製這個文件：

$ git clone https://github.com/YunYang1994/tensorflow-yolov3.git

2.在使用代碼前，先安裝一些依賴項：

$ cd tensorflow-yolov3
$ pip install -r ./docs/requirements.txt

3.把加載好的COCO權重導出爲TF checkpoint (yolov3.ckpt) 和 frozen graph (yolov3_gpu_nms.pb) 。

如果你沒有yolov3.weights的話，去下載，然後放到./checkpoint目錄下。下載地址是：
https://github.com/YunYang1994/tensorflow-yolov3/releases/download/v1.0/yolov3.weights

$ python convert_weight.py --convert --freeze

4.然後，./checkpoint目錄下就會出現一些.pb文件。現在可以跑Demo腳本了：

$ python nms_demo.py
$ python video_demo.py # if use camera, set video_path = 0

拿自己的數據集訓練：

快速訓練

這個Demo就是給大家一個粗略的感受，感受YOLOv3的訓練過程到底是怎樣的。

用python core/convert_tfrecord.py把你的圖集轉成TFRecords。

$ python core/convert_tfrecord.py --dataset /data/train_data/quick_train_data/quick_train_data.txt  --tfrecord_path_prefix /data/train_data/quick_train_data/tfrecords/quick_train_data
$ python quick_train.py  # start training

訓練COCO數據集

如果還沒下載COCO2017數據集，請前往： http://cocodataset.org/

再把數據集放到./data/train_data/COCO裏面。

$ cd data/train_data/COCO
$ wget http://images.cocodataset.org/zips/train2017.zip
$ unzip train2017.zip
$ wget http://images.cocodataset.org/annotations/annotations_trainval2017.zip
$ unzip annotations_trainval2017.zip

然後，就要從數據集裏提取一些有用的信息了，比如邊界框，拿這些信息生成你自己的.txt文件。

$ python core/extract_coco.py --dataset_info_path ./data/train_data/COCO/train2017.txt

上面這步得到的文件是./data/train_data/COCO/train2017.txt。拿一張圖舉慄，應該長這樣：

As a result, you will get ./data/train_data/COCO/train2017.txt. Here is an example row for one image:

/home/yang/test/tensorflow-yolov3/data/train_data/train2017/000000458533.jpg 20 18.19 6.32 424.13 421.83 20 323.86 2.65 640.0 421.94
/home/yang/test/tensorflow-yolov3/data/train_data/train2017/000000514915.jpg 16 55.38 132.63 519.84 380.4
# image_path, category_id, x_min, y_min, x_max, y_max, category_id, x_min, y_min, ...

接下來，要把圖像數據集轉成.tfrecord，就是用二進制來保存數據。最後，可以訓練啦。

$ python core/convert_tfrecord.py --dataset ./data/train_data/COCO/train2017.txt  --tfrecord_path_prefix ./data/train_data/COCO/tfrecords/coco --num_tfrecords 100
$ python train.py

COCO評估
如果要看一下模型在COCO上的表現，就這樣做：

$ cd data/train_data/COCO
$ wget http://images.cocodataset.org/zips/test2017.zip
$ wget http://images.cocodataset.org/annotations/image_info_test2017.zip 
$ unzip test2017.zip
$ unzip image_info_test2017.zip

YOLOv3 TensorFlow實現傳送門：
https://github.com/YunYang1994/tensorflow-yolov3

(早就出了的) YOLO v3 PyTorch教程傳送門：
https://github.com/ayooshkathuria/YOLO_v3_tutorial_from_scratch

以上來源於： YOLOv3目標檢測有了TensorFlow實現，可用自己的數據來訓練

方法：
1、實時性，每幀視頻10ms
2、方法，首先深度學習檢測到目標，然後再寫跟蹤算法

http://news.eeworld.com.cn/mp/QbitAI/a59568.jspx
官網：https://pjreddie.com/darknet/yolo/