環境
環境：windows10 + anaconda3（conda4.8.2）+ labelImg1.8.1 + VSCode
版本：python3.6.0 + opencv4.1.0 + yolo3 +keras 2.3.1 +tensorflow-gpu2.1.0
運行過程
1.下載
下載項目框架 git clone https://gitee.com/cungudafa/keras-yolo3.git下載權重 單獨下載yolov3.weights 權重，放在項目根目錄下將 DarkNet 的.weights文件轉換成 Keras 的.h5文件 python convert.py -w yolov3.cfg yolov3.weights model_data/yolo_weights.h5 可以查看到我們的模型結構： docs/model_summary.txt2.標籤分類
下載數據集：（我這裡用hand進行試驗，你可以用你自己的標註數據集）
本次使用的數據集來自：牛津大學Arpit Mittal， Andrew Zisserman和 Phil Torr
資料下載：
我們用到的數據集為VOC格式：我們僅下載evaluation_code.tar.gz（13.8M）即可。
將下載的數據集複製到項目路徑下：（事實是數據集有400+圖片，我訓練起來太累了，容易過擬合，這裡只用了009985-010028共40+張圖片進行訓練）
運行script目錄下獲取標籤：
voc標籤格式：voc_annotation.pyyolo標籤格式：yolo_annotation.py3.訓練
修改train.py中訓練輪速、路徑（可選步驟）訓練 train.py（50輪和100輪，各保存一次）保存在logs目錄下神經網絡可視化,在根目錄下運行：tensorboard --logdir=logs\
會將運行記錄打印到瀏覽器中 打開瀏覽器查看：http://localhost:6006/
可視化查看神經網絡loss:
項目目錄下運行： tensorboard --logdir=logs\瀏覽器查看：http://localhost:6006/4.測試
參考tf2-keras-yolo3，可以直接對圖片和視頻進行檢測。
我另外封裝了一下檢測部分的代碼：識別部分keras-yolo3-recognize
運行predict.py或者：
<code># 圖片檢測 python yolo_video.py --image 再輸入圖片路徑 # 視頻檢測 python yolo_video.py --input img\test.mp4/<code>
項目：
git:https://gitee.com/cungudafa/keras-yolo3