支持用自己的数据训练模型。
TensorFlow实现，包含了以下部分：
- YOLOv3架构
- 权重转换器 (Weight Converter)
- 基础版Demo
- GPU和CPU上都支持非极大抑制 (Non-Maximum Suppression)
- 训练pipeline
- COCO mAP计算
快速开始：
四个步骤，速速上车。
1.复制这个文件：
$ git clone https://github.com/YunYang1994/tensorflow-yolov3.git
2.在使用代码前，先安装一些依赖项：
$ cd tensorflow-yolov3
$ pip install -r ./docs/requirements.txt
3.把加载好的COCO权重导出为TF checkpoint (yolov3.ckpt) 和 frozen graph (yolov3_gpu_nms.pb) 。
如果你没有yolov3.weights的话，去下载，然后放到./checkpoint目录下。下载地址是：
https://github.com/YunYang1994/tensorflow-yolov3/releases/download/v1.0/yolov3.weights
$ python convert_weight.py --convert --freeze
4.然后，./checkpoint目录下就会出现一些.pb文件。现在可以跑Demo脚本了：
$ python nms_demo.py
$ python video_demo.py # if use camera, set video_path = 0
拿自己的数据集训练：
快速训练
这个Demo就是给大家一个粗略的感受，感受YOLOv3的训练过程到底是怎样的。
用python core/convert_tfrecord.py把你的图集转成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
训练COCO数据集
如果还没下载COCO2017数据集，请前往： http://cocodataset.org/
再把数据集放到./data/train_data/COCO里面。
$ 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
然后，就要从数据集里提取一些有用的信息了，比如边界框，拿这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
上面这步得到的文件是./data/train_data/COCO/train2017.txt。拿一张图举栗，应该长这样：
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, ...
接下来，要把图像数据集转成.tfrecord，就是用二进制来保存数据。最后，可以训练啦。
$ 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评估
如果要看一下模型在COCO上的表现，就这样做：
$ 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实现传送门：
https://github.com/YunYang1994/tensorflow-yolov3
(早就出了的) YOLO v3 PyTorch教程传送门：
https://github.com/ayooshkathuria/YOLO_v3_tutorial_from_scratch
以上来源于： YOLOv3目标检测有了TensorFlow实现，可用自己的数据来训练
方法：
1、实时性，每帧视频10ms
2、方法，首先深度学习检测到目标，然后再写跟踪算法
http://news.eeworld.com.cn/mp/QbitAI/a59568.jspx
官网：https://pjreddie.com/darknet/yolo/