目录
大家好，我是羽峰，今天要和大家分享的是YOLOv3算法。YOLOv3算法是在YOLOv2算法的基础上继续进行改进的，本文章不仅包括YOLOv3的改进原理，而且还包括YOLOv3的代码实例讲解，希望通过本视频讲解，各位朋友能够更好的应用YOLOv3去训练自己的项目。
如果想要YOLOv3代码，欢迎关注“羽峰码字”公众号，并回复“YOLOv3”获取相应代码。
YOLOv3的改进
1. YOLOv3的第一个改进是网络的结构的改变
引入了ResNet思想，但是如果将ResNet模块完全引进是整个模型就很大，所以直接将ResNet模块的最后一层1*1*256去掉，而且将倒数第二层3*3*64直接改成3*3*128。整个网络结构如图所示，输入的是416*416*3的RGB图像，网络会输出三种尺度的输出，最后输出每个目标物体的类别和边框。
2. YOLOv3的第二个改进是多尺度训练
这个多尺度训练是真正的多尺度，一共有3种尺度，分别是13*13，26*26，52*52三种分辨率，分别负责预测大，中，小的物体边框，这种改进对小物体检测更加友好。
YOLOv3多尺度训练的原理如图所示，首先一个图像输入，被YOLOv3分割成13*13，26*26，52*52的网格，每种分辨率的每个网格分别对应一个多维向量，每个向量包括三个边框，每个边框中包含85个参数，分别是边框的中心位置（x,y），边框的置信度，还有80个类别概率。最后输出每个物体的类别概率和边框。
YOLOv3代码实战
1. 数据集标注
训练YOLOv3首先要进行LabelImg标注，
LabelImg的网址为：https://github.com/tzutalin/labelImg，
安装程序如图所示：
安装好之后，界面如图所示：
首先点击”open”打开图片，如图所示，打开的是一个狗和猫的图片，然后选择边框进行标注。
标注好之后应该，应该备注目标物体类别，如图所示：
标注好之后会生成“catdog.xml”文件，
文件内容如图所示：
最后分别将图片（catdog）放入./VOCdevkit/VOC2007/JpegImages, LabelImg标注图像放进“Annotations”中。如图所示：
2. 数据预处理
当图片和xml文件都准备好之后 ，运行“voc2yolo3.py”程序，生成数据集列表文件，将图片上对应的”voc_classes.txt”换成你自己的分类标签，如果有多个类别，请将每个类别单独放一行。
由于我这里是零时加入进来的数据，不是本YOLOv3所执行的，后边图片中的数据都是原yolov3的数据，所以有些数据对应不上，但执行整个过程是接下来要说的。如果训练自己的数据集，需要将自己的数据粘贴到对应位置。
之后在运行“voc_annotation.py”程序，运行之前，首先将程序中的类别改成你自己的类别，我这里类别只有一个“particle”
之后在运行“kmeans.py”程序，运行好之后会生成k anchor，这些数字代表了你的预生成的标注框大小，将这些标注框数据首先放入如图所示的位置，并按照“yolo_anchors.txt”原有格式进行修改。
接下来在复制这些数字到“yolov3.cfg”中，搜索”yolo”将对应的anchors 和classes 进行修改，classes选择你要分类的类别，我这里只有1个类别，就改成了1。一共有3个“yolo”,都要修改，修改之后就执行直接执行“train.py”了。
如果训练完成之后，执行“yolo_video.py”进行测试就行。如果是从我公众号下载的yolov3,需要将yolo_video.py做如下修改：
YOLO系列总结
以上 就是我今天要分享的内容，谢谢各位。如有错误，欢迎批评指正。