YOLOv3物体/目标检测之实战篇（Windows系统、Python3、TensorFlow2版本）

迷南。 2022-12-11 03:11 227阅读 0赞

## 前言 ##

基于YOLO进行物体检测、对象识别，在搭建好开发环境后，先和大家进行实践应用中，体验YOLOv3物体/目标检测效果和魅力；同时逐步了解YOLOv3的不足和优化思路。

## 开发环境参数 ##

> **系统**：Windows      ** 编程语言**：Python 3.8           
> 
> **深度学习框架**：TensorFlow 2.3        **整合开发环境**：Anaconda        **开发代码IDE**：PyCharm

主要使用TensorFlow2.3、opencv-python4.4.0、Pillow、matplotlib 等依赖库。

详情请参考我的另一篇博客：[YOLO实践应用之搭建开发环境（Windows系统、Python 3.8、TensorFlow2.3版本）][YOLO_Windows_Python 3.8_TensorFlow2.3]

## YOLOv3的物体/目标检测效果： ##

1）有四只小猫被检测出来：

使用浅蓝色的框框，把小猫的所在位置框出来，并在框框上方注释标签（类别 置信度）。比如第一只小猫检测出的标签是cat ，置信度是0.95，即有95%的把握认为是cat 猫。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70][]

2）一只小狗和一只小猫同时被检测出来：

小猫被检测出是cat，1.00；有100%的把握认为是cat 猫；

小狗被检测出是dog，0.97；有97%的把握认为是cat 猫；

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 1][]

3）在复杂的十字路口，有许多行人和车辆被检测出来了：

大家可以看到大部分的行人、小汽车和公交车是被检测出来了，存在小部分没有被检测出来；如果是做特定场景的目标检测，建议大家后续采购特定场景的数据，重新训练网络，生成稳定且高精度的模型，保存权重文件，便于后续使用。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 2][]

**目录**

前言

开发环境参数

体验YOLOv3物体/目标检测

1）下载代码，打开工程

2）下载权重文件

3）权重文件应用到工程

4）进行目标检测

调用模型的核心代码

--------------------

## 体验YOLOv3物体/目标检测 ##

### 1）下载代码，打开工程 ###

先到githug下载代码，然后解压工程，然后使用PyCharm工具打开工程；

githug代码下载地址：[https://github.com/guo-pu/yolov3-tf2][https_github.com_guo-pu_yolov3-tf2]

> **说明：**此仓库代码源于**zzh8829/yolov3-tf2** 进行修改的，zzh8829/yolov3-tf2代码仓库地址 ：[https://github.com/zzh8829/yolov3-tf2][https_github.com_zzh8829_yolov3-tf2]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 3][]

使用PyCharm工具打开工程：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 4][]

打开后的页面是这样的：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 5][]

**【选择开发环境】**

文件(file)——>设置(setting)——>项目(Project)——>Project Interpreters   选择搭建的开发环境；

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 6][]

然后先点击Apply，等待加载完成，再点击OK；

### 2）下载权重文件 ###

**方式1：使用wget 来下载**

前提：需要支持wget命令；

yolov3.weights、yolov3-tiny.weights都是预先训练好的Darknet网络权重；

> yolov3.weights   是默认的权重，支持识别目标的类别更多更精准；
> 
> yolov3-tiny.weights  是应用在轻量级设备的权重，对设备的性能要求没这么高，相对yolov3.weights响应速度更快；

进入windows管理员命令窗口：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 7][]

**【下载yolov3.weights权重文件】**

进入存放数据的目录，比如e盘的data目录，然后执行如下命令进行下载权重值：

> wget https://pjreddie.com/media/files/yolov3.weights  -O  .\\yolov3.weights

然后就会开始下载了；

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 8][]

--------------------

**【下载yolov3-tiny.weights****权重文件】**

> wget https://pjreddie.com/media/files/yolov3-tiny.weights  -O .\\yolov3-tiny.weights

下载好后，来到存放的目录检测是否下载成功和完整；

![20200928171433255.png][]

**方式2：在我网盘提取**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 9][]

链接: https://pan.baidu.com/s/1TK4EEWsCHPyunNkJ98Mhjw

提取码: urad

然后把数据复制到下载工程包中，yolov3-tf2-master\\data

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 10][]

### 3）权重文件应用到工程 ###

执行如下命令，把训练好的权重进行转换，并应用到工程中。

在Pycharm的命令终端进入YOLO3-GPU-TensorFlow2开发环境：

> conda activate YOLO3-GPU-TensorFlow2

**【yolov3.weights】**

> python convert.py --weights ./data/yolov3.weights --output ./checkpoints/yolov3.tf

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 11][]

执行命令成功后，能看到在checkpoints目录下有三个新增文件

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 12][]

**【yolov3-tiny.weights】（可选）**

> python convert.py --weights ./data/yolov3-tiny.weights --output ./checkpoints/yolov3-tiny.tf --tiny

### 4）进行目标检测 ###

检测图片中的目标：

> python detect.py --image ./data/cat.jpg

有四只小猫被检测出来：使用浅蓝色的框框，把小猫的所在位置框出来，并在框框上方注释标签（类别 置信度）。比如第一只小猫检测出的标签是cat ，置信度是0.95，即有95%的把握认为是cat 猫。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 13][]

我们可以指定目标检测后生成的图片：

>  python detect.py --image ./data/cat.jpg

一只小狗和一只小猫同时被检测出来：小猫被检测出是cat，1.00；有100%的把握认为是cat 猫；小狗被检测出是dog，0.97；有97%的把握认为是cat 猫；

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 14][]

我们还可以尝试使用摄像头实时目标检测，或对视频文件进行目标检测，详细参看如下：

目标检测执行命令汇总：

# yolov3 检测图片的对象
    python detect.py --image ./data/cat.jpg
    
    # yolov3-tiny
    python detect.py --weights ./checkpoints/yolov3-tiny.tf --tiny --image ./data/street.jpg
    
    # webcam  摄像头实时检测对象
    python detect_video.py --video 0
    
    # video file   检测视频文件的对象
    python detect_video.py --video path_to_file.mp4 --weights ./checkpoints/yolov3-tiny.tf --tiny
    
    # video file with output
    python detect_video.py --video path_to_file.mp4 --output ./output.avi

## 调用模型的核心代码 ##

**detect.py 代码： ** \# yolov3 检测图片的对象

import time
    from absl import app, flags, logging
    from absl.flags import FLAGS
    import cv2
    import numpy as np
    import tensorflow as tf
    from yolov3_tf2.models import (
        YoloV3, YoloV3Tiny
    )
    from yolov3_tf2.dataset import transform_images, load_tfrecord_dataset
    from yolov3_tf2.utils import draw_outputs
    
    flags.DEFINE_string('classes', './data/coco.names', 'path to classes file')
    flags.DEFINE_string('weights', './checkpoints/yolov3.tf',
                        'path to weights file')
    flags.DEFINE_boolean('tiny', False, 'yolov3 or yolov3-tiny')
    flags.DEFINE_integer('size', 416, 'resize images to')
    flags.DEFINE_string('image', './data/girl.png', 'path to input image')
    flags.DEFINE_string('tfrecord', None, 'tfrecord instead of image')
    flags.DEFINE_string('output', './output.jpg', 'path to output image')
    flags.DEFINE_integer('num_classes', 80, 'number of classes in the model')
    
    
    def main(_argv):
        physical_devices = tf.config.experimental.list_physical_devices('GPU')
        for physical_device in physical_devices:
            tf.config.experimental.set_memory_growth(physical_device, True)
    
        if FLAGS.tiny:
            yolo = YoloV3Tiny(classes=FLAGS.num_classes)
        else:
            yolo = YoloV3(classes=FLAGS.num_classes)
    
        yolo.load_weights(FLAGS.weights).expect_partial()
        logging.info('weights loaded')
    
        class_names = [c.strip() for c in open(FLAGS.classes).readlines()]
        logging.info('classes loaded')
    
        if FLAGS.tfrecord:
            dataset = load_tfrecord_dataset(
                FLAGS.tfrecord, FLAGS.classes, FLAGS.size)
            dataset = dataset.shuffle(512)
            img_raw, _label = next(iter(dataset.take(1)))
        else:
            img_raw = tf.image.decode_image(
                open(FLAGS.image, 'rb').read(), channels=3)
    
        img = tf.expand_dims(img_raw, 0)
        img = transform_images(img, FLAGS.size)
    
        t1 = time.time()
        boxes, scores, classes, nums = yolo(img)
        t2 = time.time()
        logging.info('time: {}'.format(t2 - t1))
    
        logging.info('detections:')
        for i in range(nums[0]):
            logging.info('\t{}, {}, {}'.format(class_names[int(classes[0][i])],
                                               np.array(scores[0][i]),
                                               np.array(boxes[0][i])))
    
        img = cv2.cvtColor(img_raw.numpy(), cv2.COLOR_RGB2BGR)
        img = draw_outputs(img, (boxes, scores, classes, nums), class_names)
        cv2.imwrite(FLAGS.output, img)
        logging.info('output saved to: {}'.format(FLAGS.output))
    
    
    if __name__ == '__main__':
        try:
            app.run(main)
        except SystemExit:
            pass

希望对你有帮助。( •̀ ω •́ )✧

[YOLO_Windows_Python 3.8_TensorFlow2.3]: https://blog.csdn.net/qq_41204464/article/details/108807165
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70]: /images/20221123/411deb5e147e4b24955796718eebac24.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 1]: /images/20221123/4dbf440ae0a34fc883700b288f37f994.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 2]: /images/20221123/c5d50ecf21c04e43a314726e8770b80d.png
[https_github.com_guo-pu_yolov3-tf2]: https://github.com/guo-pu/yolov3-tf2
[https_github.com_zzh8829_yolov3-tf2]: https://github.com/zzh8829/yolov3-tf2
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 3]: /images/20221123/ba672572047f461bb19172a04223cb13.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 4]: /images/20221123/60a4bb4d7ba3434fa20a5ce4d80841aa.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 5]: /images/20221123/78b8737598ce4aa98f8f6d7393b3557b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 6]: /images/20221123/c183fada575e4e5aa6b2d36fbd453070.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 7]: /images/20221123/e24ee7435c53463289b1a456a2188c3e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 8]: /images/20221123/31ac2f004b0749a881ab6068a490a4cd.png
[20200928171433255.png]: /images/20221123/3a97616de6d14e829590f6e76fd269b8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 9]: /images/20221123/40038f6d21c94373ba1d18e42ffa7569.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 10]: /images/20221123/05645762b9d342e882378c57c2a60675.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 11]: /images/20221123/d5f75a3b92fd4ec6870c67d41dea21c1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 12]: /images/20221123/5a6cf363d0c14f188be144457a8cb3e6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 13]: /images/20221123/f0c9c736370f484892cb1167109009d8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMjA0NDY0_size_16_color_FFFFFF_t_70 14]: /images/20221123/9b8b40a05d104d0698252e1f7bdf25b4.png