在前面的文章中，已经介绍了基于SSD使用自己的数据训练目标检测模型（见文章：手把手教你训练自己的目标检测模型），本文将基于另一个目标检测模型YOLO，介绍如何使用自己的数据进行训练。

YOLO（You only look once）是目前流行的目标检测模型之一，目前最新已经发展到V3版本了，在业界的应用也很广泛。YOLO的基本原理是：首先对输入图像划分成7x7的网格，对每个网格预测2个边框，然后根据阈值去除可能性比较低的目标窗口，最后再使用边框合并的方式去除冗余窗口，得出检测结果，如下图：

YOLO的特点就是“快”，但由于YOLO对每个网格只预测一个物体，就容易造成漏检，对物体的尺度相对比较敏感，对于尺度变化较大的物体泛化能力较差。

本文的目标仍旧是在图像中识别检测出可爱的熊猫

基于YOLO使用自己的数据训练目标检测模型，训练过程跟前面文章所介绍的基于SSD训练模型一样，主要步骤如下：

1、安装标注工具

本案例采用的标注工具是labelImg，在前面的文章介绍训练SSD模型时有详细介绍了安装方法（见文章：手把手教你训练自己的目标检测模型），在此就不再赘述了。

成功安装后的labelImg标注工具，如下图：

2、标注数据

使用labelImg工具对熊猫照片进行画框标注，自动生成VOC_2007格式的xml文件，保存为训练数据集。操作方式跟前面的文章介绍训练SSD模型的标注方法一样（见文章：手把手教你训练自己的目标检测模型），在此就不再赘述了。

3、配置YOLO

（1）安装Keras

本案例选用YOLO的最新V3版本，基于Keras版本。Keras是一个高层神经网络API，以Tensorflow、Theano和CNTK作为后端。由于本案例的基础环境（见文章：AI基础环境搭建）已经安装了tensorflow，因此，Keras底层将会调用tensorflow跑模型。Keras安装方式如下：

# 切换虚拟环境source activate tensorflow# 安装keras-gpu版本conda install keras-gpu# 如果是安装 keras cpu版本，则执行以下指令#conda install keras

keras版本的yolo3还依赖于PIL工具包，如果之前没安装的，也要在anaconda中安装

# 安装 PILconda install pillow

（2）下载yolo3源代码

在keras-yolo3的github上下载源代码（），使用git进行clone或者直接下载成zip压缩文件。

（3）导入PyCharm

打开PyCharm，新建项目，将keras-yolo3的源代码导入到PyCharm中

4、下载预训练模型

YOLO官网上提供了YOLOv3模型训练好的权重文件，把它下载保存到电脑上。下载地址为

5、训练模型

接下来到了关键的步骤：训练模型。在训练模型之前，还有几项准备工作要做。

（1）转换标注数据文件

YOLO采用的标注数据文件，每一行由文件所在路径、标注框的位置（左上角、右下角）、类别ID组成，格式为：image_file_path x_min,y_min,x_max,y_max,class_id

例子如下：

这种文件格式跟前面制作好的VOC_2007标注文件的格式不一样，Keras-yolo3里面提供了voc格式转yolo格式的转换脚本 voc_annotation.py

在转换格式之前，先打开voc_annotation.py文件，修改里面的classes的值。例如本案例在voc_2007中标注的熊猫的物体命名为panda，因此voc_annotation.py修改为：

import xml.etree.ElementTree as ETfrom os import getcwdsets=[('2007', 'train'), ('2007', 'val'), ('2007', 'test')]classes = ["panda"]

新建文件夹VOCdevkit/VOC2007，将熊猫的标注数据文件夹Annotations、ImageSets、JPEGImages放到文件夹VOCdevkit/VOC2007里面，然后执行转换脚本，代码如下：

mkdir VOCdevkitmkdir VOCdevkit/VOC2007mv Annotations VOCdevkit/VOC2007mv ImageSets VOCdevkit/VOC2007mv JPEGImages VOCdevkit/VOC2007source activate tensorflowpython voc_annotation.py

转换后，将会自动生成yolo格式的文件，包括训练集、测试集、验证集。

（2）创建类别文件

在PyCharm导入的keras-yolo3源代码中，在model_data目录里面新建一个类别文件my_class.txt，将标注物体的类别写到里面，每行一个类别，如下：

（3）转换权重文件

将前面下载的yolo权重文件yolov3.weights转换成适合Keras的模型文件，转换代码如下：

source activate tensorflowpython convert.py -w yolov3.cfg yolov3.weights model_data/yolo_weights.h5

（4）修改训练文件的路径配置

修改train.py里面的相关路径配置，主要有：annotation_path、classes_path、weights_path

其中，train.py里面的batch_size默认是32（第57行），指每次处理时批量处理的数量，数值越大对机器的性能要求越高，因此可根据电脑的实际情况进行调高或调低

（5）训练模型

经过以上的配置后，终于全部都准备好了，执行train.py就可以开始进行训练。

训练后的模型，默认保存路径为logs/000/trained_weights_final.h5，可以根据需要进行修改，位于train.py的第85行，可修改模型保存的名称。

6、使用模型

完成模型的训练之后，调用yolo.py即可使用我们训练好的模型。

首先，修改yolo.py里面的模型路径、类别文件路径，如下：

class YOLO(object): _defaults = { "model_path": 'logs/000/trained_weights_final.h5', "anchors_path": 'model_data/yolo_anchors.txt', "classes_path": 'model_data/my_classes.txt', "score" : 0.3, "iou" : 0.45, "model_image_size" : (416, 416), "gpu_num" : 1, }

通过调用 YOLO类就能使用YOLO模型，为方便测试，在yolo.py最后增加以下代码，只要修改图像路径后，就能使用自己的yolo模型了

if __name__ == '__main__': yolo=YOLO() path = '/data/work/tensorflow/data/panda_test/1.jpg' try: image = Image.open(path) except: print('Open Error! Try again!') else: r_image, _ = yolo.detect_image(image) r_image.show() yolo.close_session()

执行后，可爱的熊猫就被乖乖圈出来了，呵呵

通过以上步骤，我们又学习了基于YOLO来训练自己的目标检测模型，这样在应用中可以结合实际需求，使用SSD、YOLO训练自己的数据，并从中选择出效果更好的目标检测模型。

关注本人公众号“大数据与人工智能Lab”（BigdataAILab），然后回复“代码”关键字可获取 完整源代码。

推荐相关阅读

【AI实战】快速掌握TensorFlow（一）：基本操作【AI实战】快速掌握TensorFlow（二）：计算图、会话【AI实战】快速掌握TensorFlow（三）：激励函数【AI实战】快速掌握TensorFlow（四）：损失函数【AI实战】搭建基础环境【AI实战】训练第一个模型【AI实战】编写人脸识别程序【AI实战】动手训练目标检测模型（SSD篇）【AI实战】动手训练目标检测模型（YOLO篇）【精华整理】CNN进化史大话卷积神经网络（CNN）大话循环神经网络（RNN）大话深度残差网络（DRN）大话深度信念网络（DBN）大话CNN经典模型：LeNet大话CNN经典模型：AlexNet大话CNN经典模型：VGGNet大话CNN经典模型：GoogLeNet大话目标检测经典模型：RCNN、Fast RCNN、Faster RCNN大话目标检测经典模型：Mask R-CNN27种深度学习经典模型浅说“迁移学习”什么是“强化学习”AlphaGo算法原理浅析大数据究竟有多少个VApache Hadoop 2.8 完全分布式集群搭建超详细教程Apache Hive 2.1.1 安装配置超详细教程Apache HBase 1.2.6 完全分布式集群搭建超详细教程离线安装Cloudera Manager 5和CDH5（最新版5.13.0）超详细教程

K码农提供了很多不同领域技术，包含人工智能，android，ios ，前端，后端，大数据，云计算，区块链，物联网等大量的技术：