darkflow测试和训练yolo
转自 https://blog.csdn.net/u011961856/article/details/76582669
参考自github:https://github.com/thtrieu/darkflow
darkflow实现了将darknet翻译成tensorflow,可以用tensorflow加载darknet训练好的模型,并使用tensorflow重新训练,输出tensorflow graph模型,用于移动设备.
darkflow需要的依赖库:
Python3, tensorflow 1.0, numpy, opencv 3.
下载与安装darkfolw:
首先需要安转cython for python3,安装命令为:
sudo pip3 install Cython --install-option="--no-cython-compile"
下载darkflow:
git clone https://github.com/thtrieu/darkflow
进入darkflow目录,并安装:
cd darkflow
python3 setup.py build_ext --inplace
pip3 install .
安装成功:
训练与测试
labels.txt文件位于darkflow/目录下.文件中为需要分类的类别明,例如如果你只想要检测三类,分别为tvmonitor, person, pottedplant,那么编辑labels.txt为:
tvmonitor
person
pottedplant
也可以通过参数--labels例如--labels myOtherLabelsFile.txt加载其他类别文件.如果不设置,darkflow默认加载label.txt文件.需要注意的是,如果使用设计好的COCO,VOC数据集的模型配置文件.cfg,则也会忽略label.txt,而是去加载对应的COCO,VOC标记文件.
网络设计
与darknet相同,模型文件为.cfg文件,位于/home/qinghua/program/darkflow/cfg/下面,用户也可以设计网络结构,例如:
...
[convolutional]
batch_normalize = 1
size = 3
stride = 1
pad = 1
activation = leaky
[maxpool]
[connected]
output = 4096
activation = linear
...
可以通过参数选项--load,加载已经训练好的模型,用于模型初始化:
# 1. Load yolo-tiny.weights
python3 ./flow --model cfg/yolo-tiny.cfg --load bin/yolo-tiny.weights
模型下载链接:https://drive.google.com/drive/folders/0B1tW_VtY7onidEwyQ2FtQVplWEU
yolo-tiny.cfg为模型配置文件.
模型预测
如不需要用已有模型初始化,即随机初始化模型,则代码为:
# 2. To completely initialize a model, leave the --load option
python3 ./flow --model cfg/yolo-new.cfg
同时,darkflow还支持用训练好的模型,初始化另一个模型中的相同的网络层:
# 3. It is useful to reuse the first identical layers of tiny for `yolo-new`
python3 ./flow --model cfg/yolo-new.cfg --load bin/yolo-tiny.weights
# this will print out which layers are reused, which are initialized
输入图像位于目录/darkflow/sample_img/下,预测结构存入目录/darkflow/sample_img/out/下.
测试,如要将输出保存为json格式,则加上--json选项:
python3 ./flow --imgdir sample_img/ --model cfg/tiny-yolo-4c.cfg --load bin/tiny-yolo-4c.weights --gpu 0 --json
运行结果如下图:
模型训练:
模型训练参数选项为--train,训练代码为:
# Initialize yolo-new from yolo-tiny, then train the net on 100% GPU:
python3 ./flow --model cfg/yolo-new.cfg --load bin/yolo-tiny.weights --train --gpu 0
可以通过参数--trainer设置梯度更新函数:
# Completely initialize yolo-new and train it with ADAM optimizer
python3 ./flow --model cfg/yolo-new.cfg --train --trainer adam
训练的时候,会周期性地将模型保存到darkflow/ckpt/目录下,可以通过设置--load -1,加载最近的checkpoint,
# Resume the most recent checkpoint for training
python3 ./flow --train --model cfg/yolo-new.cfg --load -1
使用step=1500的checkpoint预测:
# Test with checkpoint at step 1500
python3 ./flow --model cfg/yolo-new.cfg --load 1500
使用已经训练的模型训练:
# Fine tuning yolo-tiny from the original one
python3 ./flow --train --model cfg/yolo-tiny.cfg --load bin/yolo-tiny.weights
保存graph
保存graph到protobuf文件(.pb文件):
## Saving the lastest checkpoint to protobuf file
python3 ./flow --model cfg/yolo-new.cfg --load -1 --savepb
## Saving graph and weights to protobuf file
python3 ./flow --model cfg/yolo.cfg --load bin/yolo.weights --savepb
android demo:https://github.com/tensorflow/tensorflow/blob/master/tensorflow/examples/android/src/org/tensorflow/demo/TensorFlowYoloDetector.java
darkflow也支持从.pb文件加载模型,
## Forward images in sample_img for predictions based on protobuf file
python3 ./flow --pbLoad built_graph/yolo.pb --metaLoad built_graph/yolo.meta --imgdir sample_img/
---------------------
作者:imperfect00
来源:CSDN
原文:https://blog.csdn.net/u011961856/article/details/76582669
版权声明:本文为博主原创文章,转载请附上博文链接!
darkflow测试和训练yolo的更多相关文章
- 训练yolo之前,anchor聚类问题
前期做数据可视化,发现标签数据存在一些孤立点(噪声点),影响kmeans聚类. 处理方法如下: 使用kmeans迭代10次得到聚类中心 计算所有数据到其聚类中心的欧式距离均值和方差 通过拟合正态分布, ...
- LUA中将未分类数据分为测试集和训练集
require 'torch' require 'image' local setting = {parent_root = '/home/pxu/image'} function list_chil ...
- Matlab划分测试集和训练集
% x是原数据集,分出训练样本和测试样本 [ndata, D] = size(X); %ndata样本数,D维数 R = randperm(ndata); %1到n这些数随机打乱得到的一个随机数字序列 ...
- ubuntu tensorflow cpu faster-rcnn 测试自己训练的模型
(flappbird) luo@luo-All-Series:~/MyFile/tf-faster-rcnn_box$ (flappbird) luo@luo-All-Series:~/MyFile/ ...
- 函数实现将 DataFrame 数据直接划分为测试集训练集
虽然 Scikit-Learn 有可以划分数据集的函数 train_test_split ,但在有些特殊情况我们只希望它将 DataFrame 数据直接划分为 train, test 而不是像 tr ...
- 小白也能弄得懂的目标检测YOLO系列之YOLOv1网络训练
上期给大家介绍了YOLO模型的检测系统和具体实现,YOLO是如何进行目标定位和目标分类的,这期主要给大家介绍YOLO是如何进行网络训练的,话不多说,马上开始! 前言: 输入图片首先被分成S*S个网格c ...
- Moses训练与测试
参考:http://cache.baiducontent.com/c?m=9d78d513d9991cf00ffa940f47408f711925df252bd6a0502294ca5f92140d1 ...
- 训练集(train set) 验证集(validation set) 测试集(test set)
转自:http://www.cnblogs.com/xfzhang/archive/2013/05/24/3096412.html 在有监督(supervise)的机器学习中,数据集常被分成2~3个, ...
- [DeeplearningAI笔记]ML strategy_2_2训练和开发/测试数据集不匹配问题
机器学习策略-不匹配的训练和开发/测试数据 觉得有用的话,欢迎一起讨论相互学习~Follow Me 2.4在不同分布上训练和测试数据 在深度学习时代,越来越多的团队使用和开发集/测试集不同分布的数据来 ...
随机推荐
- centos-限制ssh访问
hosts.allow和hosts.deny规则的执行者为TCP wrappers,对应守护进程为tcpd:而tcpd执行依赖于程序使用了libwrap库. 也就是说:hosts.allow和host ...
- 三大框架整合(hibernate-spring-struts2)
三大框架整合说明 一.导包---41个包 二.单独配置spring容器---applicationContext.xml (1)导入约束(beans|context|aop|tx) (2)写数据库读取 ...
- libimobiledevice的安装与使用
说明:libimobiledevice相当于安卓的adb,可以使用命令对ios应用进行安装卸载等操作. 在MacOS下安装libimobiledevice: $ brew uninstall idev ...
- Synchronized性质
Synchronized可重入性质 * 什么是可重入:指的是同一线程的外层函数获得锁之后,内层函数可以直接再次获取该锁,而不是释放当前的锁去重新获取一个锁,这是它的一个优点 * 好处:避免死锁,提升封 ...
- 使用VSCode开发Flutter
前言 为什么使用VSCode? flutter官方推荐的编辑器有IDEA/Android Studio和VSCode, 之前开发Flutter用的IDEA, 不过IDEA始终比较重,于是换用VSCod ...
- linux内核中的文件描述符(二)--socket和文件描述符
http://blog.csdn.net/ce123_zhouwei/article/details/8459730 Linux内核中的文件描述符(二)--socket和文件描述符 Kernel ve ...
- python语言(三)文件修改、函数、json操作、监控日志代码、高效读取文件
1.文件操作(2) 代码 f = open('a.txt','a') # "a" 如果源文件不在,会自动创建 f.write('abc') result = f.read() ...
- jasypt-spring-boot
运行 运行时配置解密秘钥-Djasypt.encryptor.password=在idea中运行 命令行启动和docker中运行参见https://www.cnblogs.com/zz0412/p/j ...
- 例程使用(1-4)共享内存 存图片+vector容器教程
1传输的数据 1-1数据格式说明 1 两路视频图像Mat 图像 图像数据(Mat)+图像头信息(ImgInf) //图像的宽.高.类型信息 typedef struct { int width; // ...
- The Architectural Principles Behind Vrbo’s GraphQL Implementation
转自:https://medium.com/expedia-group-tech/graphql-component-architecture-principles-homeaway-ede8a58d ...