README.md

DCIC_2019_Glodon

---

比赛链接：

• 智能盘点—钢筋数量AI识别

---

代码说明：

这个代码相比原版本的keras-yolov3的实现，增加了以下处理：

• 增加了 NMS 的处理，具体代码可以参考yolo.py文件
• 实现了预测图片可视化结果保存，具体代码可以参考step_5_predict.py文件
• visual/visual.py是可视化训练集Boxes的代码
• data_augment.py实现了数据增广

---

快速开始：

• 首先在百度网盘，或者通过wget https://pjreddie.com/media/files/yolov3.weights下载yolov3的预训练文件，然后将下载好的模型文件放入model_data文件夹

• 接着把训练、测试图片以及标签放入data文件夹，并且要重新建立好VOCdevkit文件夹，具体文件目录如下图所示：

• 然后依次运行以下代码：

1. step_1_process_data.py           将原本的csv文件转变成voc格式的xml文件

2. step_2_mv_data.py                  移动文件到指定的目录(方便yolov3模型读写)

3. step_3_voc_annotation.py       自动构建训练目录

4. step_4_train.py                         训练模型

5. step_5_predict.py                     预测并生成最后提交结果

---

参数修改：

• anchors 大小在 model_data 下 yolo_anchors.txt

值得注意的是 anchors 可以根据 lars76/kmeans-anchor-boxes 以及 YOLO-v3模型参数anchor设置 修改成适合自己数据集大小。

• yolo.py文件修改的参数

classes_path = 'model_data/my_classes.txt'
model_path = 'logs/000/trained_weights_final.h5'
model_image_size = (640, 640)
gpu_num = 2
max_boxes = 300
score_threshold = 0.1
iou_threshold = 0.45

• step_4_train.py文件修改的参数

# 修改的参数
max_boxes = 300
val_split = 0.2
input_shape = (640, 640)
epochs_freeze = 30
batch_size_unfreeze = 4
classes_path = 'model_data/my_classes.txt'

---

资料参考：

• 其他未尽事宜可参考链接 qqwweee