stride=1 pad=1

activation=leaky

這告 訴你有特殊的卷積層。最重要的信息是:

• Network architecture

• Anchor boxes

• Number of classes

• Learning rate and other parameters used

• Batch size

其它文件(.weights)包含預訓練權重以進行推斷。注意它們不能保存為Keras兼容的格式 (如 .h5文件),所以它們不能加載到 Keras模型，除非你先轉換。

有一些非標準的工具可以轉換這些文件，因為格式不是固定的 ( YOLOv2 和 YOLOv3有些不同)。如果你感興趣以 YOLO v2,你可以使用 YAD2K 庫 (另一個是 Darknet 2 Keras),可以在 https://github.com/allanzelener/YAD2K里找到。

注意這不能處理 YOLOv3 .cfg文件。相信我，我試過。但是如果你滿意 YOLOv2, 你可以用這個目錄的代碼轉換 .weight文件到Keras友好的格式。有個目錄實現了 YOLOv3 的轉換，在https://github.com/qqwweee/keras-yolo3。它有些局限，但是它是轉換的很好的起點。 但是有便好的方法，使用預訓練模型，那就是使用 OpenCV, 后面我們會看到。

用 Darknet檢測對象

如果你只是想對圖像進行分類，最容易的辦法是按 darknet網站的指示。我們看一下如何做。如果你使用Linux或 MacOS X系統，這些指令有用。 在Windows里，你要安裝 gcc和別的工具。如網站所述，安裝只需要幾行代碼:

git ?clone ?https://github.com/pjreddie/darknet cd darknet

make

wget??? ?https://pjreddie.com/media/files/yolov3.weights

這里你就可以進行目標檢測了:

./darknet detect cfg/yolov3.cfg yolov3.weights table.jpg

注意，權重文件很大，下載時要注意這一點，使用CPU這很慢，MacBook Pro 2018需要18秒來下載。見圖 7-2。

圖7-2. YOLOv3使用 darknet進行圖像檢測

黙認使用0.25的閾值。但是你可以使用不同的參數。你必須改變XYZ到你想要的值。

黙認使用0.25的閾值。但是你可以使用不同的參數。你必須改變XYZ到你想要的值。.

這個方法于于目標檢測 很好，但是很難在python項目里使用。要這樣做，你需要在你的代碼里使用預訓練的模型。有幾個方法，最容易的是使用opencv庫。如果你處理圖像，你很可能已經使用過這個庫。如果你沒有聽說過，建議你試一下，因為它是處理圖像很有名的庫。你可以看官網 https:// opencv.org.

你可以在網上下載本章的完整代碼，但是我們只簡單的討論重要的部分。

你需要安裝最新的opencv庫。 用下面的代碼檢測版本:

import cv2

print (cv2. ?version ?)

我們需要從https:// pjreddie.com 下載三個文件:

• coco.names

• yolov3.cfg

• yolov3.weights

coco.names 包含了預訓練模型能分類的標簽。yolov3.cfg 和yolov3.weights是模型配置參數 ?(前面已討論過)且我們需要使用 權重。為了你方便，yolov3.weights大約 240MB容量，你可以下載 ZIP 文件自 http://toe.lt/r。在代碼里我們需要指明文件在哪里。例如，你使用下面的代碼:

weightsPath ?= ?"yolo-coco/yolov3.weights" configPath? ?=? ?"yolo-coco/yolov3.cfg"

你要改變文件的位置。 OpenCV提供了函數來加載權重而不需要轉換它們:

net ?= ?cv2.dnn.readNetFromDarknet(configPath, ?weightsPath)

這很舒服，因為你不需要分析和寫加載函數。它返回模型對象供你后面推斷。如果你記得本章開始的討論，你要得到輸出層來得到所有需要的信息，像邊框和預測分類。我們用下面的代碼很容易做到:

ln ?= ?net.getLayerNames()

ln = [ln[i[0] - 1] for i in net.getUnconnectedOutLayers()]

?getUnconnectedOutLayers()函數返回帶用unconnected輸出的層, 正是我們想要的。ln這量含有下面的層:

['yolo_82', 'yolo_94', 'yolo_106']

然后我們要改變圖像大小到 416x416并歸一化它:

blob? =? cv2.dnn.blobFromImage(image,? 1? / 255.0,? (416,? 416), swapRB=True, crop=False)

然后用它作為模型的輸入:

net.setInput(blob)

然后我們用 forward()函數向前傳遞給訓練模型:

layerOutputs? ?=? ?net.forward(ln)

我們還沒有完成，不要休息。我們要提取邊框，我們保存在列表里，然后是置信，然后是預測分類.

我們初始化列表:

boxes = [] confidences = [] classIDs = []

然后我們遍歷各層并提取我們要的信息。

for output in layerOutputs: for ?detection ?in ?output:

現在分 數保存在第5個檢測變量的元素里，我們提取分類用np. argmax(scores):

scores? ?=? ?detection[5:] classID ?= ?np.argmax(scores)

置信度是預測分類的分值:

confidence? ?=? ?scores[classID]

我們想要預測置信度大于0的。我們選擇限度為0.15。預測邊框包含于檢測變量的前4個里:

box =? detection[0:4] *? np.array([W, H,? W,? H]) (centerX,? ?centerY,? ?width,? ?height)? ?=? ?box.astype("int")

如果你記得，YOLO預測邊框的中心點，所在我們要的提取左上角位置:

x = int(centerX - (width / 2)) y = int(centerY - (height / 2))

然后我們將發現的值添加到列表

boxes.append([x, y, int(width), int(height)]) confidences.append(float(confidence)) classIDs.append(classID)

然后我們使用 non-maxima 抑制 (上一節討論過)。 OpenCV 也提供了函數:

idxs = cv2.dnn.NMSBoxes(boxes, confidences, 0.6,0.2)

函數需要下面的參數:

• 邊框集合 (保存于 boxes變量)

• 置信度集合 (保存于confidences變量)

• 按分值過濾邊框的閾值 ?(前面代碼是0.6)

• ?non-maximum抑制的閾值 (前面的代碼是0.2)

然我們得到準確的位置:

for i in idxs.flatten():

# extract the bounding box coordinates (x, ?y) ?= ?(boxes[i][0], ?boxes[i][1])

(w, ?h) ?= ?(boxes[i][2], ?boxes[i][3])

你可以在圖 7-3看到結果。

圖?7-3. YOLOv3用 OpenCV獲得的結果

這正是它應有的—與圖7-2一樣的結果。另外，我們有預測邊框的概率。你可以看到這是多么的容易。你只需要添加幾行代碼到你的項目。

這正是它應有的—與圖7-2一樣的結果。另外，我們有預測邊框的概率。你可以看到這是多么的容易。你只需要添加幾行代碼到你的項目。

記住我們使用預訓練模型只能檢測數據集里的對象。如果你要用不同的對象，你要微調模型，或重新訓練模型。從頭訓練模型超出了本書的范圍。但是下一節我會給你一些提示。