本项目主要对原tensorflow-yolov3版本做了许多细节上的改进, 增加了TensorFlow-Serving工程部署, 训练了多个数据集,包括Visdrone2019, 安全帽等, 安全帽mAP在98%左右, 推理速度1080上608的尺寸大概25fps.
1. 修改了网络结构,支持了tensorflow-serving部署,自己训练的数据集也可以在线部署, 并给出了 docker+python_client测试脚本, 支持HTTP跟GRPC协议[ 0325 新增 ]
2. 修改了ulits文件,优化了demo展示,可以支持中文展示,添加了支持显示成中文的字体
3. 详细的中文注释,代码更加易读,添加了数据敏感性处理, 一定程度避免index的错误
4. 修改了训练代码,支持其他数据集使用预训练模型了,模型体积减小二分之一(如果不用指数平滑,可以减小到200多M一个模型,减小三分之二),图片视频demo展 示,都支持保存到本地,十分容易操作
5. 借鉴视频检测的原理, 添加了批量图片测试脚本,速度特别快(跟处理视频每一帧一样的速度)
6. 添加了易使用的Anchors生成脚本以及各步操作完整的操作流程
7. 添加了 Mobilenetv2 backbone, 支持训练,预测,评估以及部署模型,模型大小70多M [ 0325 新增 ]
8. 增加 ONNX 导出 [ 0325 新增 ]
9. 增加 GRPC 远程过程调用 Serving 接口 [ 0325 新增 ]
10. 增加训练好的安全帽检测模型,数据集跟模型都在release中可下载 [ 0325 新增 ]
$ git clone https://github.com/byronnar/tensorflow-serving-yolov3.git
$ cd tensorflow-serving-yolov3
$ pip install -r requirements.txt
https://pan.baidu.com/s/1Il1ASJq0MN59GRXlgJGAIw
密码:vw9x
https://drive.google.com/open?id=1aVnosAJmZYn1QPGL0iJ7Dnd4PTAukSU4
$ cd checkpoint
$ tar -xvf yolov3_coco.tar.gz
$ cd ..
$ python convert_weight.py
$ python freeze_graph.py
百度网盘链接:https://pan.baidu.com/s/12y0vmvKtspWuNMfUHTbPpA
密码:6xa8
$ python image_demo_Chinese.py # 中文显示
$ python image_demo.py # 英文显示
$ python images_demo_batch.py # 批量图片测试
$ python video_demo.py # video_path = 0 代表使用摄像头
$ python save_model.py
$ docker run -p 8501:8501 -p 8500:8500 --mount type=bind,source=/tmp/yolov3/,target=/models/yolov3 -e MODEL_NAME=yolov3 -t tensorflow/serving &
### 如果需要使用GPU, 请使用Tensorflow-serving-GPU镜像
$ cd yolov3_tfserving
HTTP 接口:
$ python http_client.py
GRPC 接口:
$ python grpc_client.py
python -m tf2onnx.convert --input ./checkpoint/yolov3_coco_v3.pb --inputs input/input_data:0[1,416,416,3] --outputs pred_sbbox/concat_2:0,pred_sbbox/concat_2:0,pred_lbbox/concat_2:0 --output ./checkpoint/yolov3_coco_v3.onnx --verbose --fold_const --opset 11
$ python anchors_generate.py
$ python split.py
train.txt 里面应该像这样:
xxx/xxx.jpg 18.19,6.32,424.13,421.83,20 323.86,2.65,640.0,421.94,20
xxx/xxx.jpg 48,240,195,371,11 8,12,352,498,14
解读:
image_path x_min, y_min, x_max, y_max, class_id x_min, y_min ,..., class_id
x_min, y_min etc. corresponds to the data in XML files
- [
class.names
]
person
bicycle
car
...
toothbrush
$ python train.py
$ python train_mobilenetv2.py # 注意anchors 最好使用coco_anchors
$ tensorboard --logdir ./data/log # 查看损失等变化曲线
$ python freeze_graph.py
$ python freeze_graph_mobilenetv2.py
$ python image_demo.py
$ python image_demo_mobilenetv2.py
$ python evaluate.py
$ python evaluate_mobilenetv2.py
$ cd mAP
$ python main.py -na
$ python save_model.py
$ python save_model_mobilenetv2.py
$ docker run -p 8501:8501 -p 8500:8500 --mount type=bind,source=/tmp/yolov3/,target=/models/yolov3 -e MODEL_NAME=yolov3 -t tensorflow/serving &
### 如果需要使用GPU, 请使用Tensorflow-serving-GPU镜像
$ cd yolov3_tfserving
HTTP 接口:
$ python http_client.py
GRPC 接口:
$ python grpc_client.py
1. Tensorflow-YOLOV4-TensorRT GPU加速部署
2. YOLOV5-NCNN工程化 安卓端加速部署