Python Yolo Darknet仅检测特定类别，如人、猫、狗等

我们使用YOLO Darknet进行目标检测。我们正在使用Python3、tensorflow1.0、numpy和opencv3。使用yolo.weight进行检测。
根据以下链接中给出的信息： 



当我们在视频上运行它时，它会同时检测所有不需要的对象

请指导我们如何仅检测要搜索的特定类名

---

谢谢

根据我的发现，您可以按如下方式进行操作：

将原始yolo cfg文件复制到新文件中，并编辑其值 [region]部分中的类，以指定要创建的类的数量 探测

创建标签文本文件并放置要检测的类名 （原始类的子集）

那么

flow --model cfg/your_new_copied_file.cfg --load path/to/weight_file --demo your_video.mp4 --labels your_labels.txt --saveVideo

就这样

但问题是，总体检测准确率显著下降。通常，它会将完全不同的对象检测为标签中的对象。 （如果高于阈值，也许暗流只是在标签中选择最自信的猜测？）

---

因此，如果您只想在跳过其他对象时检测其他类中的一些对象（即识别它们但跳过），我认为最好编辑暗流源以接受其他参数（如--marklabels.txt）.

如果您只按照@JP Kim提到的步骤进行操作，您将获得一个仅带有标签的视频，但它也会将其他对象作为标签之一输出

如果您希望有不同的输出，它确切地告诉您应该做什么。TLDR-您应该重新培训您的模型。他们举了3个类的例子来说明这一点

但是，不管怎样，让我带你走过这个过程。让我们考虑你有一个视频，你只需要跟踪它里面的所有人。所以，我们只需要跟踪一种类型的对象——“person”

我们在

cfg

目录中复制了

tiny yolo voc.cfg

文件。让我们按照他们的惯例将其命名为

tiny-yolo-voc-1c.cfg

，其中后缀

1c

表示类的数量。之所以选择

tiny yolo voc

而不是其他配置作为我们的基本模型，是因为它是一个较小的网络，可以在较小的GPU上进行训练。从我观察到的情况来看，其他配置需要10GB+的图形内存，它们过去常常使我的机器内存不足

我们将在

tiny-yolo-voc-1c.cfg

文件中进行必要的更改：

• 将

  classes

  变量编辑为

  classes=1

• 在

  区域

  前面的最后一个

  卷积

  部分中，我们将

  过滤器

  变量更改为

  5*（num_class+5）=5*（1+5）=30

  。因此，设置

  filters=30

我们将编辑暗流源目录中的

labels.txt

文件，其中只有一行写着

person

，因为我们只需要一种标签类型

现在，我们需要训练我们的模型。然而，对于培训，我们首先需要数据集

• 现在，如果您的标签是VOC数据集或CoCo数据集的现有标签之一，那么您可以下载一个VOC/CoCo数据集。在我们的例子中，

  person

  是我们需要跟踪的对象类型，它已经是VOC数据集中的对象类型。所以，我们将使用VOC数据集

• 但是，如果希望使用YOLO对新类型的对象进行分类和跟踪，则需要准备自己的数据集和注释。对于此自定义对象，您可以遵循的第5-8部分。这些视频展示了如何使用YOLO跟踪和分类

  fidget\u spinner

下载VOC数据集，因为它包含足够的数据和注释，适合我们的对象类型

person

# Download the Pascal VOC dataset:
curl -O https://pjreddie.com/media/files/VOCtest_06-Nov-2007.tar
tar xf VOCtest_06-Nov-2007.tar

我们不会从头开始训练。因此，我们实际上要为

微型yolo voc

模型加载权重，并从那里开始重新训练，以适应我们的特定用例（只需

个人

类）。为此，我们必须下载

tiny yolo voc

的重量。你可以找到重量。我们将下载的重量为。下载后，将文件移动到

/darkflow/bin/

目录

一旦我们下载了这个，就需要让基本模型配置文件和权重文件具有相同的名称。由于重命名配置不是一个好主意，我们将把从

yolov2 tiny voc.weights

下载的权重重命名为

tiny yolo voc.weights

。这是必需的，因为当我们训练时，我们提供了权重文件，而暗流试图获取相应的配置文件作为训练新模型的参考

暗流回购页面上也提到了这一点：

当暗流看到您正在加载tiny-yolo-voc.weights时，它将在您的cfg/文件夹中查找tiny-yolo-voc.cfg，并将该配置文件与您设置的新配置文件——model cfg/tiny-yolo-voc-1c.cfg进行比较。在这种情况下，除了最后两个层外，每个层都将具有相同的精确权重数，因此它将把权重加载到直到最后两个层的所有层中，因为它们现在包含不同数量的权重

现在，我们可以训练我们的模型了。如果没有gpu进行训练，则可以删除

--gpu 0.9

部件

# Train the net on the Pascal dataset:
flow --model cfg/tiny-yolo-voc-1c.cfg --load bin/tiny-yolo-voc.weights --train --dataset "~/VOCdevkit/VOC2007/JPEGImages" --annotation "~/VOCdevkit/VOC2007/Annotations" --gpu 0.9

当你认为损失不再减少时，按Ctrl+C结束训练。通常良好的损耗/平均损耗为1或低于1

您可能已经注意到，在每250步之后，darkflow将继续在

ckpt/

目录中保存检查点。一旦停止训练，就可以使用这些检查点中的任何一个来测试模型

我们将在人的视频上运行它，并让它保存一个带有边界框预测的新视频。让我们在这个例子中使用第1500步检查点

flow --model cfg/tiny-yolo-voc-1c.cfg --load 1500 --demo video-input.mp4 --gpu 0.9 --saveVideo

运行此操作时，它将显示模型能够处理视频的FPS。这可能因您的机器而异。副署长