YOLO，是You Only Look Once的缩写，一种基于深度卷积神经网络的物体检测算法，YOLO v3是YOLO的第3个版本，检测算法更快更准。

本文源码：https://github.com/SpikeKing/keras-yolo3-detection

欢迎Follow我的GitHub：https://github.com/SpikeKing

YOLO v3已经提供 COCO（Common Objects in Context）数据集的模型参数。我们可以把COCO的模型参数作为预训练参数，再结合已有的数据集，创建自己的检测算法。

本例使用WIDER FACE人脸数据，训练一个高精度的人脸检测模型。

WIDER

数据集：WIDER Face

建立时间：2015-11-19

WIDER FACE 数据集是一个人脸检测基准（benchmark）数据集，图片选取自 WIDER（Web Image Dataset for Event Recognition）数据集。图片数 32,203 张，人脸数 393,703 个，在大小（scale）、位置（pose）、遮挡（occlusion）等不同形式中，人脸是高度变换的。WIDER FACE 数据集是基于61个事件类别，每个事件类别，随机选取训练40%、验证10%、测试50%。训练和测试含有边框（bounding box）真值（ground truth），而验证不含。

数据集在官网可以公开下载，其中在Face annotations 中，wider_face_train_bbx_gt.txt是边框真值，数据格式如下：

0--Parade/0_Parade_marchingband_1_849.jpg
1
449 330 122 149 0 0 0 0 0 0

数据说明：

第1行：图片的位置和名称；
第2行：边框的数量；
第3~n行：每个人脸的边框和属性：
- 其中1~4位是x1, y1, w, h
- blur：模糊，0清晰、1一般、2严重；
- expression：表情，0正常、1夸张；
- illumination：曝光，0正常、1极度；
- occlusion：遮挡，0无、1部分、2大量；
- pose：姿势，0正常，1非典型；

wider_face_val_bbx_gt.txt与此类似。

图片数据的清晰度一般，大小不一，尺寸为1024x，宽度相同。

数据转换

为了符合训练要求，需要转换wider数据集中的边框格式，为训练要求的边框格式。

即文件路径，边框xmin,ymin,xmax,ymax,label：

data/WIDER_val/images/10--People_Marching/10_People_Marching_People_Marching_2_433.jpg 614,346,771,568,0 245,382,392,570,0 353,222,461,390,0 498,237,630,399,0

转换源码。遍历数据文件夹，逐行解析不同格式的数据，写入文件。注意：

物体框，Wider的数据格式是x,y,w,h，而训练的数据格式是xmin,ymin,xmax,ymax；
只检测人脸一个类别，则类别索引均为0；

具体参考工程的wider_annotation.py脚本。

def generate_train_file(bbx_file, data_folder, out_file):
    paths_list, names_list = traverse_dir_files(data_folder)
    name_dict = dict()
    for path, name in zip(paths_list, names_list):
        name_dict[name] = path

    data_lines = read_file(bbx_file)

    sub_count = 0
    item_count = 0
    out_list = []

    for data_line in data_lines:
        item_count += 1
        if item_count % 1000 == 0:
            print('item_count: ' + str(item_count))

        data_line = data_line.strip()
        l_names = data_line.split('/')
        if len(l_names) == 2:
            if out_list:
                out_line = ' '.join(out_list)
                write_line(out_file, out_line)
                out_list = []

            name = l_names[-1]
            img_path = name_dict[name]
            sub_count = 1
            out_list.append(img_path)
            continue

        if sub_count == 1:
            sub_count += 1
            continue

        if sub_count >= 2:
            n_list = data_line.split(' ')
            x_min = n_list[0]
            y_min = n_list[1]
            x_max = str(int(n_list[0]) + int(n_list[2]))
            y_max = str(int(n_list[1]) + int(n_list[3]))
            p_list = ','.join([x_min, y_min, x_max, y_max, '0'])  # 标签全部是0，人脸
            out_list.append(p_list)
            continue

类别文件wider_classes.txt仅有一行，就是face。

训练

YOLO v3的训练过程，参数：标注数据、类别、存储路径、预训练模型、anchors、输入尺寸。

annotation_path = 'dataset/WIDER_train.txt'  # 数据
classes_path = 'configs/wider_classes.txt'  # 类别

log_dir = 'logs/002/'  # 日志文件夹

pretrained_path = 'model_data/yolo_weights.h5'  # 预训练模型
anchors_path = 'configs/yolo_anchors.txt'  # anchors

class_names = get_classes(classes_path)  # 类别列表
num_classes = len(class_names)  # 类别数
anchors = get_anchors(anchors_path)  # anchors列表

input_shape = (416, 416)  # 32的倍数，输入图像

创建模型：

input_shape是输入图像的尺寸；
anchors是检测框的尺寸；
num_classes是类别数；
freeze_body，模式1是全部冻结，模式2是训练最后三层；
weights_path，预训练权重的路径；
logging是TensorBoard的回调，checkpoint是存储权重的回调；

model = create_model(input_shape, anchors, num_classes,
                     freeze_body=2,
                     weights_path=pretrained_path)  # make sure you know what you freeze

logging = TensorBoard(log_dir=log_dir)
checkpoint = ModelCheckpoint(log_dir + 'ep{epoch:03d}-loss{loss:.3f}-val_loss{val_loss:.3f}.h5',
                             monitor='val_loss', save_weights_only=True,
                             save_best_only=True, period=3)  # 只存储weights，

训练数据与验证数据：

val_split = 0.1  # 训练和验证的比例
with open(annotation_path) as f:
    lines = f.readlines()
np.random.seed(10101)
np.random.shuffle(lines)
np.random.seed(None)
num_val = int(len(lines) * val_split)  # 验证集数量
num_train = len(lines) - num_val  # 训练集数量

模型编译与fit数据：

损失函数只使用y_pred预测结果；
批次数是32个；
训练数据与验证数据都来源于data_generator_wrapper；
训练过程中，通过checkpoint存储权重，最终再存储最终的权重；

model.compile(optimizer=Adam(lr=1e-3), loss={
    # use custom yolo_loss Lambda layer.
    'yolo_loss': lambda y_true, y_pred: y_pred})  # 损失函数

batch_size = 32  # batch尺寸
print('Train on {} samples, val on {} samples, with batch size {}.'.format(num_train, num_val, batch_size))
model.fit_generator(data_generator_wrapper(lines[:num_train], batch_size, input_shape, anchors, num_classes),
                    steps_per_epoch=max(1, num_train // batch_size),
                    validation_data=data_generator_wrapper(
                        lines[num_train:], batch_size, input_shape, anchors, num_classes),
                    validation_steps=max(1, num_val // batch_size),
                    epochs=200,
                    initial_epoch=0,
                    callbacks=[logging, checkpoint])
model.save_weights(log_dir + 'trained_weights_stage_1.h5')  # 存储最终的参数，再训练过程中，通过回调存储

模型创建：

创建YOLO v3的模型，yolo_body，参数图像输入、每个尺度的anchor数、类别数；
加载预训练权重，冻结参数，保留最后三层；
自定义Lambda，模型的损失函数层；
输入是YOLO模型输入和真值，输出是损失函数；

def create_model(input_shape, anchors, num_classes, load_pretrained=True, freeze_body=2,
                 weights_path='model_data/yolo_weights.h5'):
    K.clear_session()  # 清除session
    image_input = Input(shape=(None, None, 3))  # 图片输入格式
    h, w = input_shape  # 尺寸
    num_anchors = len(anchors)  # anchor数量

    # YOLO的三种尺度，每个尺度的anchor数，类别数+边框4个+置信度1
    y_true = [Input(shape=(h // {0: 32, 1: 16, 2: 8}[l], w // {0: 32, 1: 16, 2: 8}[l],
                           num_anchors // 3, num_classes + 5)) for l in range(3)]

    model_body = yolo_body(image_input, num_anchors // 3, num_classes)  # model
    print('Create YOLOv3 model with {} anchors and {} classes.'.format(num_anchors, num_classes))

    if load_pretrained:  # 加载预训练模型
        model_body.load_weights(weights_path, by_name=True, skip_mismatch=True)  # 加载参数，跳过错误
        print('Load weights {}.'.format(weights_path))
        if freeze_body in [1, 2]:
            # Freeze darknet53 body or freeze all but 3 output layers.
            num = (185, len(model_body.layers) - 3)[freeze_body - 1]
            for i in range(num):
                model_body.layers[i].trainable = False  # 将其他层的训练关闭
            print('Freeze the first {} layers of total {} layers.'.format(num, len(model_body.layers)))

    model_loss = Lambda(yolo_loss,
                        output_shape=(1,), name='yolo_loss',
                        arguments={'anchors': anchors,
                                   'num_classes': num_classes,
                                   'ignore_thresh': 0.5})(model_body.output + y_true)  # 后面是输入，前面是输出
    model = Model([model_body.input] + y_true, model_loss)  # 模型，inputs和outputs

    return model

数据生成器：

data_generator_wrapper用于条件检查；
将输入的标注行随机；
根据批次数，将图像放入image_data中，将边框和参数放入真值y_true中；
输出图像和边框，还有批次数的填充，用于存储置信度。

def data_generator(annotation_lines, batch_size, input_shape, anchors, num_classes):
    '''data generator for fit_generator'''
    n = len(annotation_lines)
    i = 0
    while True:
        image_data = []
        box_data = []
        for b in range(batch_size):
            if i == 0:
                np.random.shuffle(annotation_lines)
            image, box = get_random_data(annotation_lines[i], input_shape, random=True)  # 获取图片和盒子
            image_data.append(image)  # 添加图片
            box_data.append(box)  # 添加盒子
            i = (i + 1) % n
        image_data = np.array(image_data)
        box_data = np.array(box_data)
        y_true = preprocess_true_boxes(box_data, input_shape, anchors, num_classes)  # 真值
        yield [image_data] + y_true, np.zeros(batch_size)


def data_generator_wrapper(annotation_lines, batch_size, input_shape, anchors, num_classes):
    """
    用于条件检查
    """
    n = len(annotation_lines)  # 标注图片的行数
    if n == 0 or batch_size <= 0: return None
    return data_generator(annotation_lines, batch_size, input_shape, anchors, num_classes)

具体源码参考yolo3_train.py，即可生成人脸检测模型。

验证

在yolo3_predict.py中，替换已训练好的模型参数：

模型：ep108-loss44.018-val_loss43.270.h5

检测图片：

其他：增加更多的数据集，与具体的需求图片结合，都可以提升检测效果。

OK, that's all! Enjoy it!