使用自行訓練的模型

• Colab中使用

在Colab中使用自行訓練的Yolo模型，需用到自行訓練的權重檔及需偵測的圖片。

上傳自行訓練的權重檔<yolov3-obj_10000.weights>到Google Drive雲端硬碟<Colab Notebooks>資料夾

將圖片<資料夾>也上傳至<Colab Notebooks>，假設資料夾名為images內含多張圖片。

並執行以下程式

!git clone https://github.com/AlexeyAB/darknet.git

%cd darknet

!sed -i "s/GPU=0/GPU=1/g" Makefile

!sed -i "s/CUDNN=0/CUDNN=1/g" Makefile

!sed -i "s/OPENCV=0/OPENCV=1/g" Makefile

!make

%cd /content

!ln -s "/content/drive/My Drive/Colab Notebooks" /godrive

!cp /godrive/yolov3_colab.zip /content

!unzip yolov3_colab.zip

!/content/darknet/darknet detector test cfg/obj.data cfg/yolov3-obj.cfg /godrive/yolov3-obj_10000.weights /godrive/images/test01.jpg

from PIL import Image

Image.open('predictions.jpg')

※test01.jpg為圖片名稱

執行後會將執行結果儲存於目前所在目錄的<predictions.jpg>圖片中，最後2列程式為顯示圖片

• Python中使用

將需要使用的權重檔複製至<D:\darknetYolo\test\cfg\weights>資料夾中。

將圖片資料夾複製到<D:\darknetYolo\test>資料夾中，假設資料夾名為images。

打開Spyder並命名為detect，並將路徑設為<D:\darknetYolo\test>

<detect.py>

import cv2

import numpy as np

net = cv2.dnn.readNetFromDarknet("cfg/yolov3-obj.cfg","cfg/weights/yolov3_last .weights")  #讀取模型

layer_names = net.getLayerNames()

output_layers = [layer_names[i[0] - 1] for i in net.getUnconnectedOutLayers()]  #輸出圖形規格

classes = [line.strip() for line in open("cfg/obj.names")]  #使用自己的分類標籤檔

colors = [(255,0,0), (0,255,0), (0,0,255), (127,0,255)]  #框選顏色

img = cv2.imread("/images/test.jpg")  #讀取圖片

height, width, channels = img.shape 

blob = cv2.dnn.blobFromImage(img, 1/255.0, (416, 416), (0, 0, 0), True, crop=False)  #圖形預處理以符合輸入圖片規格

net.setInput(blob)  #圖片輸入模型

outs = net.forward(output_layers)  #偵測結果

class_ids = []  #存標籤索引

confidences = []  #存信心指數

boxes = []  #存矩形坐標

for out in outs:

    for detection in out:

        tx, ty, tw, th, confidence = detection[0:5]  #取得坐標及信心資料

        scores = detection[5:]

        class_id = np.argmax(scores)  #取得標籤索引

        if confidence > 0.3:  #信心指數大於0.3才算

            center_x = int(tx * width)

            center_y = int(ty * height)

            w = int(tw * width)

            h = int(th * height)

            # 取得箱子方框座標

            x = int(center_x - w / 2)

            y = int(center_y - h / 2)

            boxes.append([x, y, w, h])

            confidences.append(float(confidence))

            class_ids.append(class_id)

indexes = cv2.dnn.NMSBoxes(boxes, confidences, 0.3, 0.4)  #消除重疊框選

font = cv2.FONT_HERSHEY_PLAIN

for i in range(len(boxes)):

    if i in indexes:

        x, y, w, h = boxes[i]

        label = str(classes[class_ids[i]])

        color = colors[class_ids[i]%5]

        cv2.rectangle(img, (x, y), (x + w, y + h), color, 1)

        cv2.putText(img, label, (x, y - 5), font, 1, color, 2)

cv2.imshow('win', img)

cv2.waitKey(0)

cv2.destroyAllWindows()