2.將yolov3.weights放到~/test/yolov3_tensorflow-master/data/darknet_weights資料夾中，voc_names.txt裡寫入訓練的類別
3.修改test/yolov3_tensorflow-master中convert_weight.py裡的類別個數，執行python3 convert_weight.py
4.~/test/yolov3_tensorflow-master/data/darknet_weights中生成的3個ckpt後執行python3 topb.py生成 yolov3.pb模型，
5.拷貝aipp_yolov3_picture.cfg檔案到.pb檔案同一資料夾下，執行命令 omg --model ./yolov3.pb --framework 3 --output ./yolov3_facemask --insert_op_conf ./aipp_yolov3_picture.cfg --input_shape "placeholder:1,416,416,3"，生成om檔案
topb.py：
import tensorflow as tf
from tensorflow.python.framework import graph_util
from tensorflow.python.platform import gfile
def freeze_graph(input_path,output_path):
output_node_names="yolov3/yolov3_head/feature_map_1,yolov3/yolov3_head/feature_map_2,yolov3/yolov3_head/feature_map_3"
s**er=tf.train.import_meta_graph(input_path+".meta",clear_devices=true)
graph=tf.get_default_graph()
input_graph_def=graph.as_graph_def()
with tf.session() as sess:
s**er.restore(sess,input_path)
output_graph_def=graph_util.convert_variables_to_constants(
sess=sess,
input_graph_def=input_graph_def,
output_node_names=output_node_names.split(",")
)with tf.gfile.gfile(output_path,'wb') as fgraph:
fgraph.write(output_graph_def.serializetostring())
if __name__ == '__main__':
input_path ="./yolov3.ckpt"
output_path="./yolov3/yolov3.pb"
freeze_graph(input_path,output_path)
使用YOLOv3訓練VOC模型
yolo官網 本篇博文主要是參照官網步驟進行voc資料的訓練,博主也是更改接觸，如果有錯誤的地方，歡迎指正 操作環境 ubuntu 如果使用gpu需要安裝cuda和cudnn，應為我這邊環境已經裝好了，所以並沒有嘗試安裝 具體安裝步驟可以參考一篇部落格 git clone cd darknet ma...
yolov3模型微調相關
這裡記錄一下關於yolov3做模型微調的相關命令.首次訓練都會載入預訓練模型darknet53.conv.74,假如首次訓練出了模型1,要在模型1的基礎上finetuning模型2,當然前提是模型2與模型1之間網路結構沒有發生變化,類別也沒有增加.類別增加的話我暫時還不太清楚 這個時候有兩種解決方法...
yolov3模型微調相關
這裡記錄一下關於yolov3做模型微調的相關命令.首次訓練都會載入預訓練模型darknet53.conv.74,假如首次訓練出了模型1,要在模型1的基礎上finetuning模型2,當然前提是模型2與模型1之間網路結構沒有發生變化,類別也沒有增加.類別增加的話我暫時還不太清楚 這個時候有兩種解決方法...