Tensorflow

此文章主要用于介绍如何基本的去使用yolo v3算法以及一些基本的环境配置。


目录

  • 搭建keras框架
  • 下载yolo v3权重
  • 下载yolo v3源码
  • 转换权重
  • 加载PIL(pillow)
  • 加载matplotlib和opencv
  • 测试效果

正文

1.我一般都是使用anaconda处理有关python的环境管理工作,根据项目的性质不同会新建不同名称的python虚拟环境,这样也能够防范一下由于包之间的不兼容产生的错误。由于这次使用的架构是Keras架构,所以我利用conda新建了一个名为keras,python版本是3.7.4的虚拟环境。接下来激活keras虚拟环境,使用conda.bat activate keras命令进行激活,再接下来就是各种库的安装工作了。

注意:keras环境的安装根据不同机器的配置有不同的要求,有的机器有GPU,有的机器没有GPU,我安装的是没有GPU也就是CPU版本的。最近准备在今年双十一的时候用家教赚的外快再买一块1070ti,用雷电3接口外接入自己的电脑,这样就可以愉快的写代码了嘿嘿嘿😍

含有GPU的机器搭建Keras框架:

  • 首先安装编译环境Microsoft Visual Studio 2017(尽量别用2019)。下载之后在安装的过程需要勾选“C++桌面开发环境”,保持路径为默认状态,一路next即可完成安装。
  • 安装NAVIDA GPU支持库CUDA(版本需要严格控制,需要根据你的显卡支持的情况选择CUDA版本)
  • 安装CuDNN加速库(这个对版本要求并不严格,比如官方推荐CUDA10和cudnn7.4,但是你可以选择cudnn7.6)
  • 具体的CUDA和cudnn版本对照表参照官网,如果CUDA和cudnn版本安装发生了错误,将导致tensorflow不可使用,不明白版本的可以留言或者发我邮箱
  • 利用conda运行命令conda install tensorflow来安装tensorflow(版本也要和CUDA,cudnn匹配,参照tensorflow官网)
  • 利用conda运行命令conda install tensorflow-gpu来安装gpu版本的tensorflow
  • 最后进行keras的安装,conda install keras

不含独立显卡(GPU)的机器搭建Keras框架:

  • 利用conda安装tensorflow
  • 利用conda安装keras

下面来看一下安装后的大概效果,第一幅图是keras环境,第二幅图是keras环境下的部分库

D盘的对应目录下就存在这个虚拟环境
部分的库

2.下载yolo v3的权重https://pjreddie.com/media/files/yolov3.weights

3.下载yolo v3源码https://github.com/qqwweee/keras-yolo3

权重文件后缀是.weights

4.进行权重的转换:首先将yolo v3的源码zip给解压,然后将权重文件放入解压后的文件根目录里面。利用cmd进入源码根目录,然后激活我们的keras环境(使用命令行conda.bat activated keras),只有激活了环境才能使用此环境下的python。(转换时间稍微有点长)转换命令如下:

python convert.py yolov3.cfg yolov3.weights model_data/yolo.h5
cmd命令下使用这段命令行回车即可

5.由于yolo v3的源码内还是用了一切我们未在keras虚拟环境内安装的库,这个时候需要把它们安装一下,先来安装PIL,即pillow。

conda install pillow

6.再继续安装matplotlib和opencv。

conda install matplotlib
conda install opencv

7.进行实际的测试,利用cmd进入源码的目录,使用 python yolo_video.py –image 命令来运行图片测试程序。拿一个比较好看的小萝莉开刀😁。

测试用例

测试过程和结果如下:

反正吧,算法还是牛逼,我太菜了

发表评论

你的电子邮件地址不会被公开 * 为必填字段

提交评论