1.写在前面：

前面说到已搭建好本地环境，下面开始运行代码

前文内容详见 Windows环境下YoloV3-Keras环境搭建与测试实践（一）

2.测试实践

2.1运行代码前先下载YoloV3的配置文件（包含了预训练权值）

注：推荐使用预训练权重，特别对于小规模数据集训练有很好的收敛效果

yolov3.cfg下载

2.2 在根目录下，转换配置文件，生成权值文件.weights，和keras专用配置文件.h5

python convert.py yolov3.cfg yolov3.weights model_data/yolo.h5

2.3 使用脚本运行代码，具体脚本可参考readme.bd

#检测视频
python yolo_video.py --input=path # path 自定义
#检测图片
python yolo_video.py --image=    #类上

注：也可使用设备自带摄像头，

python yolo_video.py #若运行错误，可查看yolo.py中修改 vid 值

3.训练自建数据集

3.1 制作数据集

3.1.1 使用打标签工具（下载地址：提取码 h0i5，使用说明click here），打完标签后，会以.xml格式存储annotation，如下图注：Annotations文件中放置用标签软件输出的xml格式的所有图片注释；JPEGImages文件中放置所用图片（用标签软件重命名）； ImageSets中放置两个文件layout，Main存储数据集标签

3.1.2 脚本调用converttomaintext.py，在Main路劲下生成以下四个标签文件

注：调用脚本时，注意修改代码里的相关路径参数

3.1.3 修改voc_annotation.py中相关路径等参数，如图中红框所示

调用该脚本，生成各数据集标签

3.2 在yolo.cfg中，根据设备配置情况修改相关超参数，如batch size，filters，lr等。

3.3 生成anchors.txt

调用脚本使用聚类算法（K=2）生成anchors,注意修改图中的路径参数

python Kmeams.py

训练集路径

生成的anchors.txt保存路径

3.4 调用train.py进行训练

注解：Log_dir中保存了你每次训练时产生的所有权重，可以在当前文件夹中新建一个文件夹（我是qz文件夹中的000文件夹）存放。 Classes_path为包含需要训练的类别名的路径，记得修改文件内容为你所需要的类别。 Annotation_path为之前voc_annotation.py生成的文件路径。 Anchors_path为之前kmeans.py生成的文件路径。

修改预训练权重

根据实验情况，调整超参数大小

注意修改路径位置后，

如 create_model
训练烤机

python train.py

4 进行测试

注意修改yolo.py中的_defaults