Skip to content

Latest commit

 

History

History
executable file
·
171 lines (126 loc) · 5.04 KB

README.md

File metadata and controls

executable file
·
171 lines (126 loc) · 5.04 KB

Introduction

主要对原tensorflow-yolov3版本做了许多细节上的改进,训练了Visdrone2019数据集,准确率在87%左右, 如果觉得好用记得star一下哦,谢谢! 步骤十分详细,特别适合新手入门serving端部署,有什么问题可以提issues,下面是改进细节:

  1. 修改了网络结构,支持了tensorflow-serving部署,自己训练的数据集也可以在线部署,并给出了 docker+yolov3-api测试脚本

  2. 修改了ulits文件,优化了demo展示,可以支持中文展示,添加了字体

  3. 详细的中文注释,代码更加易读,添加了数据敏感性处理,一定程度避免index的错误

  4. 修改了训练代码,支持其他数据集使用预训练模型了,模型体积减小二分之一(如果不用指数平滑,可以减小到200多M一个模型,减小三分之二),图片视频demo展 示,都支持保存到本地,十分容易操作

  5. 借鉴视频检测的原理,添加了批量图片测试脚本,速度特别快(跟处理视频每一帧一样的速度)

  6. 添加了易使用的Anchors生成脚本以及各步操作完整的操作流程

  7. 添加了 Mobilenetv2 backbone, 支持训练模型, 模型大小70多M

Part 1. demo展示

  1. 下载这份代码(本算法暂时是在ubuntu1804系统上实现(windows上理论上也可以使用,去除了命令行参数)
$ git clone https://github.com/byronnar/tensorflow-serving-yolov3.git
$ cd tensorflow-serving-yolov3
$ pip install -r requirements.txt

注:也可以直接点击 项目右上角 Clone r download 直接下载项目。

  1. 下载预训练模型放到 checkpoint文件夹里面

百度网盘链接:

https://pan.baidu.com/s/1Il1ASJq0MN59GRXlgJGAIw
密码:vw9x

谷歌云盘链接:

https://drive.google.com/open?id=1aVnosAJmZYn1QPGL0iJ7Dnd4PTAukSU4

再运行下列代码:

$ cd checkpoint
$ tar -xvf yolov3_coco.tar.gz
$ cd ..
$ python convert_weight.py
$ python freeze_graph.py

补充资源链接(已经转化好的模型,不需要运行python convert_weight.py):


百度网盘链接:https://pan.baidu.com/s/12y0vmvKtspWuNMfUHTbPpA                  
密码:6xa8
  1. 转化成.pb文件,运行下列代码:
$ python image_demo_Chinese.py             # 中文显示
$ python image_demo.py                                # 英文显示
$ python video_demo.py # if use camera, set video_path = 0

中文检测结果展示:

images

  1. 转化成 可部署的 saved model格式
$ python save_model.py
  1. 将产生的saved model文件夹里面的 yolov3 文件夹复制到 tmp 文件夹下面,再运行
$ docker run -p 8501:8501 --mount type=bind,source=/tmp/yolov3/,target=/models/yolov3 -e MODEL_NAME=yolov3 -t tensorflow/serving &


$ cd serving-yolov3

$ python yolov3_api.py

服务器调用结果展示: images

  1. 模型评估 修改 config文件里面 的 # TEST options 部分
$ python evaluate.py
$ cd mAP
$ python main.py -na

工业检测数据集mAP:

tv_map

Part 2. 详细训练过程

2.1先准备好数据集,做成VOC2007格式,再通过聚类算法产生anchors(也可以采用默认的anchors,除非你的数据集跟voc相差特别大, 数据集可以用官方VOC2007)

$ python anchors_generate.py

2.2 产生训练数据txt文件

$ python split.py

train.txt 里面应该像这样: xxx/xxx.jpg 18.19,6.32,424.13,421.83,20 323.86,2.65,640.0,421.94,20 xxx/xxx.jpg 48,240,195,371,11 8,12,352,498,14 image_path x_min, y_min, x_max, y_max, class_id x_min, y_min ,..., class_id x_min, y_min etc. corresponds to the data in XML files

2.3 修改names文件

  • [class.names]
person
bicycle
car
...
toothbrush

正式训练: 2.4 修改 config.py 文件,主要根据显存大小,注意batch_size,输入尺寸等参数

$ python train.py
$ python freeze_graph.py

如果使用 mobilenetv2 backbone ,请运行:

python train_mobilenetv2.py

2.5 预测,修改 路径等相关参数: 修改 image_demo.py等文件

$ python image_demo.py

Visdrone results:

visdrone

2.6 产生pb文件跟variables文件夹用于部署:

1 Using own datasets to deployment, you need first modify the yolov3.py line 47

$ python save_model.py

2 将产生的saved model文件夹里面的 yolov3 文件夹复制到 tmp 文件夹下面,再运行

$ docker run -p 8501:8501 --mount type=bind,source=/tmp/yolov3/,target=/models/yolov3 -e MODEL_NAME=yolov3 -t tensorflow/serving &

$ cd serving-yolov3

$ python yolov3_api.py

接下来要做的:

1.写 Tensorflow tiny版本 提高实时性

2.写 转换成 tensorflow lite 的脚本

Reference

YunYang1994