一、YOLOv3图像目标检测原理

二、YOLOv3代码及预训练权重下载

2.1 下载yolov3代码

这里使用的是B站大佬Bubbliiiing复现的yolov3代码
仓库地址： https://github.com/bubbliiiing/yolo3-pytorch

2.2 下载模型预训练权重unet_resnet_medical.pth

链接：https://pan.baidu.com/s/1IhWYvEvIwGL6MrcIvYJroA
提取码：d3ob
将下载的权重文件放到model_data文件夹下。

三、labelimg图像标注及格式转换

3.1 安装labelimg标注软件

pip install labelimg

使用Anaconda Prompt启动labeimg标注工具

3.2 图像标注

3.3 数据集划分

将xml格式标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。
将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。
修改model_data/voc_classes.txt文件，改为自己使用的类别

修改voc_annotation.py，117行，图片格式改为自己实际用到的图片格式。

运行voc_annotation.py
在VOCdevkit\VOC2007\ImageSets\Main路径下会生成划分数据集的txt文件，在项目根目录下会生成2007_train.txt，2007_val.txt文件。
注意这里只支持xml格式的标签，不支持json格式的标签。

四、YOLOv3网络训练和测试

4.1 训练

运行train.py，根据自己的实际情况，修改一下参数。

4.2 测试

修改yolo.py中代码，“model_path” : ‘logs/best_epoch_weights.pth’,和“classes_path” : ‘model_data/voc_classes.txt’,。
运行predict.py文件。
读者需要根据自己的情况修改模型权重和测试图片的地址。
读者可以通过修改mode参数，实现下面5种模式：

#   'predict'           表示单张图片预测，如果想对预测过程进行修改，如保存图片，截取对象等，可以先看下方详细的注释
#   'video'             表示视频检测，可调用摄像头或者视频进行检测，详情查看下方注释。
#   'fps'               表示测试fps，使用的图片是img里面的street.jpg，详情查看下方注释。
#   'dir_predict'       表示遍历文件夹进行检测并保存。默认遍历img文件夹，保存img_out文件夹，详情查看下方注释。
#   'export_onnx'       表示将模型导出为onnx，需要pytorch1.7.1以上。

设置mode = “predict”模式，测试一张自己手动输入路径的图像，结果如下