文件列表:

data (0, 2017-10-07)
data\data.txt (926, 2017-10-07)
detect_image.py (7624, 2017-10-07)
detect_video.py (8262, 2017-10-07)
font (0, 2017-10-07)
font\FiraMono-Medium.otf (127344, 2017-10-07)
images (0, 2017-10-07)
images\dog.jpg (163759, 2017-10-07)
images\eagle.jpg (141886, 2017-10-07)
images\giraffe.jpg (382965, 2017-10-07)
images\horses.jpg (133495, 2017-10-07)
images\out (0, 2017-10-07)
images\out\dog.jpg (140421, 2017-10-07)
images\out\eagle.jpg (119569, 2017-10-07)
images\out\giraffe.jpg (173604, 2017-10-07)
images\out\horses.jpg (119881, 2017-10-07)
images\out\person.jpg (99475, 2017-10-07)
images\out\scream.jpg (50714, 2017-10-07)
images\out1 (0, 2017-10-07)
images\out1\dog.jpg (142076, 2017-10-07)
images\out1\eagle.jpg (121760, 2017-10-07)
images\out1\giraffe.jpg (173396, 2017-10-07)
images\out1\horses.jpg (123293, 2017-10-07)
images\out1\person.jpg (99655, 2017-10-07)
images\out1\scream.jpg (50714, 2017-10-07)
images\person.jpg (113880, 2017-10-07)
images\scream.jpg (174515, 2017-10-07)
model.ipynb (57233, 2017-10-07)
model.py (35927, 2017-10-07)
model_data (0, 2017-10-07)
model_data\coco_classes.txt (625, 2017-10-07)
model_data\model.png (660191, 2017-10-07)
model_data\yolo_anchors.txt (89, 2017-10-07)
train_model.ipynb (20505, 2017-10-07)
train_model.py (4110, 2017-10-07)
train_model.pyc (4386, 2017-10-07)
utils (0, 2017-10-07)
utils\__init__.py (0, 2017-10-07)
... ...

# yolo2 该项目是https://pjreddie.com/darknet/yolo 的keras(backend:tensorflow)实现,原项目是一个可实时进行track object的项目。作者原有实现是C语言的。本项目结合作者该篇文章以及其之前的若干篇文章写出了基于keras的代码。 # 效果图 > **car、dog和truck** >  > **giraffe和zebra** >  更多效果图可在images/out下看到,所生成的图片均为通过本项目生成。一个在线的视频demo在这里https://youtu.be/T7XOFJdu_y8 。 > ### 1. 准备神经网络model > 1) 下载作者提供的weights文件,在http://pjreddie.com/media/files/yolo.weights 下载。 > 2) 逐行运行model.ipynb文件,该脚本是将weights文件生成为一个keras的model文件。运行结束之后,model为model_data/model.h5 > ### 2. 运行model > 1) 通过使用python detect_image.py model_data/model.h5 -t images/ -o images/out, 更多参数选择请参考--help函数.第一个参数是model的路径,-t是使用哪个文件夹下的图片来做为input,-o是把生成的标注了的图片放到什么位置。 > ### 3. train model > 1) 如果希望对model进行train,使用train_model.ipynb, cell 3的第一个参数是使用哪个model进行train,第二参数是train的时候使用的优化方法。cell 4中是进行train的函数,第二个参数是train的数据来源。 > ### 4. 视频识别 > 1) 通过运行python detect_video.py model_data/model.h5 -t images/xxx.avi -o demo.mp4即可识别视频中的物体。输出效果类似之前的视频demo > ## train的这部分的算法说明 > (1) 因为按照道理,应该直接读取model.h5,然后使用model.fit()这样来train, 但是这样有个问题,model的输出是(batch, 13, 13, 425)的形状, 而提供的y的形状是类似于data.txt这种,这两者之间根本没有办法算loss(因为keras要求,y的形状必须和model.output的形状一样)。 > (2) 于是就需要找解决方案,找到的方案是,使用data_util.py中的data_generator()来产生y, 读取data.txt一行,然后产生出y,y的形状比较奇特,实际上一个 list, 里面的元素有\[方框的信息,object_mask, object_value, 全1序列\](这里是用来计算loss构造的). > (3) 此外把model传入train_model.py中的model_to_train(),在这里构造最后可以用来train的函数,大概思想是使用loss_util.py中loss_calculator()算出model.output和y(复杂的list那个)的loss(把这个loss当作构造的model的输出,这个loss是一个常数了,意味着我可以构造一个新的y(把这个新的y选为全是1)来和它匹配,以使得keras可以用它作为训练), 然后让构造的model减小的loss=(新的y*loss), 又因为新的y全是1,所以实际上就是减小了loss, 通过这方式来使得原来model的weight得到更新。这里比较绕,比较tricky。 > (4) train_model.py中的train_model()就只是执行了fit()的过程。结果会保存一份model的weight

近期下载者：

相关文件：

评论：[我要评论] [举报此文件]

收藏者：