深度学习实践——三步轻松用YOLO实现目标识别
上一篇文章介绍了YOLO和目标识别算法，大家是不是迫不及待跃跃欲试了。先不要着急，YOLO本身原理虽然简单，但是实现起来也不容易。YOLO原生是用C语言写的，放在无法直接用Python实现。
当然我们完全可以根据其原理搭建一个YOLO模型，但是对于初学者而言，完全没有必要再发明轮子嘛。github上的大神们已经用各种流行的框架实现了YOLO，今天我们就来介绍一个通过Keras实现YOLO的项目。通过这个项目，我们只需要三步，就能实现视频和图片的目标识别。
项目地址在这里
https://github.com/qqwweee/keras-yolo3
1. 官网下载YOLO模型参数
当然，你可以自己训练模型的参数，但是普通人恐怕没这个硬件条件，我们只是想体验一下YOLO的识别效果嘛，模型参数直接去YOLO官网下载就好了。
首先git clone 整个项目，不会git的朋友可以直接下载zip压缩包，当然打开终端cd到项目根目录，命令行一键可下载模型参数
wget https://pjreddie.com/media/files/yolov3.weights
2. 模型参数转换
注意模型参数权重和模型参数的配置文件一定要匹配，项目中已经有两个配置文件yolov3.cfg和yolov3-tiny.cfg，所以只需要下载对应的权重文件就可以了。YOLO官网也提供了配置文件和相应的参数权重。
运行项目文件下的convert.py完成参数转换，将模型转换成Keras的h5文件。
python convert.py yolov3.cfg yolov3.weights model_data/yolo.h5
3. 模型使用
使用模型仅需要运行yolo_video.py这个文件就可以了。识别图片仅需要运行这一行命令
python yolo_video.py --image
终端会提示输入图片文件的filename
Input image filename:
将你要检测的图片文件放在项目文件夹下，输入文件名，目标识别就开始啦。
我们找一张图片试试效果吧
image
image source from unsplash by Chander Mohan
当然也可以对视频文件进行目标识别，由于我的笔记本运行起来比较慢，这里就不做演示了，yolo_video.py的使用说明如下
usage: yolo_video.py [-h] [--model MODEL] [--anchors ANCHORS]
[--classes CLASSES] [--gpu_num GPU_NUM] [--image]
[--input] [--output]
positional arguments:
--input Video input path
--output Video output path
optional arguments:
-h, --help show this help message and exit
--model MODEL path to model weight file, default model_data/yolo.h5
--anchors ANCHORS path to anchor definitions, default
model_data/yolo_anchors.txt
--classes CLASSES path to class definitions, default
model_data/coco_classes.txt
--gpu_num GPU_NUM Number of GPU to use, default 1
--image Image detection mode, will ignore all positional
code from github with MIT License
尾巴
简单三步我们在自己的电脑上就实现了YOLO模型，感兴趣的朋友可以去项目地址下载并阅读源代码。
相关文章
AI学习笔记——精准识别You Only Look Once(YOLO)
Tensorflow入门——单层神经网络识别MNIST手写数字
Tensorflow入门——多层神经网络MNIST手写数字识别
Tensorflow入门——分类问题cross_entropy的选择
同步到我的简书
