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！