一、實現功能：識別長短袖衣服及長短褲子的顏色（分類爲黑、白、彩）
二、運行環境
1. Ubuntu16.04
2. TensorFlow-gpu 1.8.0
3. Keras 2.1.5
4. GPU rtx2060
三、創建數據集
1. 使用VOC2007數據集的文件結構：
文件結構如下圖，可以自己創建，也可以下載VOC2007數據集後刪除文件內容。
2. 標註圖片：
使用LabelImg(https://github.com/tzutalin/labelImg)對訓練圖片進行標註生成標籤，然後將所有圖片放在 JPEGImages 文件夾下，將所有標籤(.xml)放在 Annotations 文件夾下。
3. 劃分數據集：
python test.py 70%爲訓練集(train.txt), 15%爲測試集(test.txt), 15%爲評估數據集(val.txt)。txt文件保存在 ImageSets/Main 下。
4. 轉換標籤格式：
python voc_annotation.py, 在執行之前，需要根據數據集的實際類別，修改voc_annotation.py中的classes(與標註時的class名字一樣)。執行之後，將會得到train.txt、test.txt、val.txt，文本內容是：
img_path、box位置(top left bottom right)、類別索引(0 1 2 ...)，類似這種：
5. 使用kmeans生成anchors
python kmeans.py 執行前確定class（類別）爲自己所期望的，執行後會在model_data文件夾下生成 yolo_anchors.txt文件。
四、準備訓練
1.修改yolo3的網絡結構：打開yolo3.cfg，搜索"yolo",如下圖所示，需要修改filters、classes、random，一共可搜索到三處yolo，每處都需要修改。
filters = 3x(5+len(classes))
classes = len(classes)
random:默認是1,顯存小改爲0
2. 確認相關依賴文件：
a. model_data/voc_classes.txt:與你的class一致,一般需要手動修改;
b. model_data/yolo_anchors.txt:確認存在即可;
c. model_data/yolo_weights.h5:由 yolov3.weights 轉換得到，需要先下載yolov3.weights，然後 python convert.py yolov3.cfg yolov3.weights model_data/yolo_weights.h5
d. 存在logs文件夾
3. 開始訓練：python train.py
五、 各模型測試精度及標註圖片數量
各模型測試所用圖片爲40張左右
Clothe_color_recognized:
成果：
- 訓練loss爲17.570，測試loss爲val_loss15.265
- 標註圖片數量爲546張
- 準確率爲90.67%，召回率爲24.67%，MAP精度爲31.5%
Clothe_ShortOrLong_recognized:
成果：
- 訓練loss爲17.429，測試loss爲val_loss19.134.h5
- 標註圖片數量爲538張
- 準確率爲82.5%，召回率爲55.0%，MAP精度爲56.87%
Jeans_color_recognized:
成果：
- 訓練loss爲12.735，測試loss爲val_loss14.830
- 標註圖片數量爲618張
- 準確率爲90.33%，召回率爲77.0%，MAP精度爲74.32%
Jeans_ShortOrLong_recognized:
成果：
- 訓練loss爲12.406，測試loss爲val_loss12.808
- 標註圖片數量爲427張
- 準確率爲96.5%，召回率爲95.0%，MAP精度爲95.85%
注：經測試在使用GPU RTX2060（6GB）的條件下， 1秒鐘可測試15張圖片左右