YOLO3多gpu訓練方法

版本可參考git上的keras yolo3的實現,現在我手裡有兩塊gpu,所以設定多塊gpu來加快訓練速度

1. 訓練**前引入

from keras.utils import multi_gpu_model

is_tiny_version = len(anchors) == 6  # default setting

if is_tiny_version:
model = create_tiny_model(input_shape, anchors, num_classes,
freeze_body=2, load_pretrained=false,weights_path='/home/jerry/py_project_wang/car_detect/yolo_wang_0708/log/tiny_yolo/trained_final.h5')
else:
model = create_model(input_shape, anchors, num_classes,
freeze_body=2, weights_path='../model/old_model/yolov3_weights.h5')  # make sure you know what you freeze

model_body = tiny_yolo_body(image_input, num_anchors//2, num_classes)

print('create tiny yolov3 model with {} anchors and {} classes.'.format(num_anchors, num_classes))# 6 anchors and 1 classes.
model_body = multi_gpu_model(model_body, gpus=2)

tensorflow.python.framework.errors_impl.invalidargumenterror: can't concatenate scalars (use tf.stack instead) for 'yolo_loss_1/concat' (op: 'concatv2') with input shapes: , , , .

yolo3，模型訓練流程

訓練前準備 1，準備資料集 和邊界矩形txt 邊界矩形txt內容 類別從0開始 labeltext str int labstr 1 str x str y str w str h n x,y,w,h為目標的矩形中心 x,y wh目標寬高 2，修改cfg檔案 convolutional size 1...

yolo3演算法講解

網路結構 假設輸入資料的大小為416 416，經過darknet 53特徵提取網路後得到尺度為13 13，26 26，52 52的特徵圖。其中每乙個尺寸的特徵圖都有18 3 6，其中3是指每個grid cell有3個anchor，每個anchor 乙個邊界框的4個座標值，1個置信度，還有乙個類別概率...

yolo3 目標檢測 實測

yolo是繼faster r cnn後，原作者在目標檢測領域進行的新研究。到了v3版本以後，雖然已經換人支援，但是更注重工程實踐，在實際使用過程中突出感受就是 非常快 gpu加速以後能夠達到實時多目標，並且已經完成了工程實踐。下一步需要做的，應該就是 1 小型化 2 fpga化 3 垂直領域特定目標...