yolo3各部分代码详解（超详细）

0.摘要

最近一段时间在学习yolo3，看了很多博客，理解了一些理论知识，但是学起来还是有些吃力，之后看了源码，才有了更进一步的理解。在这里，我不在赘述网络方面的代码，网络方面的代码比较容易理解，下面将给出整个yolo3代码的详解解析，整个源码中函数的作用以及调用关系见下图：

参考：https://blog.csdn.net/weixin_41943311/article/details/95672137?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task

1.model.py

1.1 yolo_head()

yolo_head()函数的输入是Darknet53的最后输出的三个特征图feats，anchors，num_class,input_shpe，此函数的功能是将特征图的进行解码，这一步极为重要，如其中一个特征图的shape是（13,13,255），其实质就是对应着（13,13,3,85）,分别对应着13*13个网格，每个网格3个anchors，85=（x，y，w，h，confident）,此时box的xy是相对于网格的偏移量，所以还需要经过一些列的处理，处理方式见下图：

def yolo_head(feats, anchors, num_classes, input_shape, calc_loss=False):
    """Convert final layer features to bounding box parameters."""
    num_anchors = len(anchors)#num_anchors=3
    # Reshape to batch, height, width, num_anchors, box_params.
    anchors_tensor = K.reshape(K.constant(anchors), [1, 1, 1, num_anchors, 2])
    #anchors=anchors[anchors_mask[1]]=anchors[[6,7,8]]= [116,90],  [156,198],  [373,326]
    """#通过arange、reshape、tile的组合，根据grid_shape(13x13、26x26或52x52）创建y轴的0~N-1的组合grid_y，再创建x轴的0~N-1的组合grid_x，将两者拼接concatenate，形成NxN的grid(13x13、26x26或52x52）"""
    grid_shape = K.shape(feats)[1:3] # height, width,#13x13或26x26或52x52
    grid_y = K.tile(K.reshape(K.arange(0, stop=grid_shape[0]), [-1, 1, 1, 1]),
        [1, grid_shape[1], 1, 1])
    grid_x = K.tile(K.reshape(K.arange(0, stop=grid_shape[1]), [1, -1, 1, 1]),
        [grid_shape[0], 1, 1, 1])
    grid = K.concatenate([grid_x, grid_y])
    grid = K.cast(grid, K.dtype(feats))
    #cast函数用法：cast(x, dtype, name=None)，x:待转换的张量，type：需要转换成什么类型
    """grid形式：（0,0），（0,1），（0,2）......(1,0),(1,1).....(12,12)"""
    feats = K.reshape(
        feats, [-1, grid_shape[0], grid_shape[1], num_anchors, num_classes + 5])
    """(batch_size,13,13,3,85)"""
    "此时的xy为中心坐标，相对于左上角的中心坐标"

    # Adjust preditions to each spatial grid point and anchor size.
    """将预测值调整为真实值"""
    "将中心点相对于网格的坐标转换成在整张图片中的坐标，相对于13/26/52的相对坐标"
    "将wh转换成预测框的wh，并处以416归一化"
    box_xy = (K.sigmoid(feats[..., :2]) + grid) / K.cast(grid_shape[::-1], K.dtype(feats))#实际上就是除以13或26或52
    #box_xy = (K.sigmoid(feats[:,:,:,:2]) + grid) / K.cast(grid_shape[::-1], K.dtype(feats))
    # ...操作符，在Python中，“...”(ellipsis)操作符，表示其他维度不变，只操作最前或最后1维；
    box_wh = K.exp(feats[..., 2:4]) * anchors_tensor / K.cast(input_shape[::-1], K.dtype(feats))
    box_confidence = K.sigmoid(feats[..., 4:5])
    box_class_probs = K.sigmoid(feats[..., 5:])
    #切片省略号的用法，省略前面左右的冒号，参考博客：https://blog.csdn.net/z13653662052/article/details/78010654?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task

    if calc_loss == True:
        return grid, feats, box_xy, box_wh
    return box_xy, box_wh, box_confidence, box_class_probs
    #预测框相对于整张图片中心点的坐标与预测框的wh

1.2 yolo_correct_box()

此函数的功能是将yolo_head()输出，也即是box相对于整张图片的中心坐标转换成box的左上角右下角的坐标

 def yolo_correct_boxes(box_xy, box_wh, input_shape, image_shape):
     '''Get corrected boxes'''
     '''对上面函数输出的预测的坐标进行修正
     比如
     image_shape
     为[600，800]，input_shape
     为[300, 500]，那么
     new_shape
     为[300, 400]

     offset
     为[0, 0.125]
     scales
     为[0.5, 0.625]'''

     # 将box_xy, box_wh转换为输入图片上的真实坐标，输出boxes是框的左下、右上两个坐标(y_min, x_min, y_max, x_max)
     # ...操作符，在Python中，“...”(ellipsis)操作符，表示其他维度不变，只操作最前或最后1维；
     # np.array[i:j:s]，当s<0时，i缺省时，默认为-1；j缺省时，默认为-len(a)-1；所以array[::-1]相当于array[-1:-len(a)-1:-1]，也就是从最后一个元素到第一个元素复制一遍，即倒序
     box_yx = box_xy[..., ::-1]#将xy坐标进行交换，反序（y，x）
     box_hw = box_wh[..., ::-1]
     input_shape = K.cast(input_shape, K.dtype(box_yx))
     image_shape = K.cast(image_shape, K.dtype(box_yx))
     new_shape = K.round(image_shape * K.min(input_shape/image_shape))
     #.round用于取近似值，保留几位小数，第一个参数是一个浮点数，第二个参数是保留的小数位数，可选，如果不写的话默认保留到整数
     offset = (input_shape-new_shape)/2./input_shape
     scale = input_shape/new_shape
     box_yx = (box_yx - offset) * scale
     box_hw *= scale
     """获得预测框的左上角与右下角的坐标"""
     box_mins = box_yx - (box_hw / 2.)
     box_maxes = box_yx + (box_hw / 2.)
     boxes =  K.concatenate([
         box_mins[..., 0:1],  # y_min
         box_mins[..., 1:2],  # x_min
         box_maxes[..., 0:1],  # y_max
         box_maxes[..., 1:2]  # x_max
     ])#...操作符，在Python中，“...”(ellipsis)操作符，表示其他维度不变，只操作最前或最后1维；

     # Scale boxes back to original image shape.
     boxes *= K.concatenate([image_shape, image_shape])
     return boxes#得到预测框的左下角坐标与右上角坐标

1.3 yolo_box_and_score

获得box与得分

 def yolo_boxes_and_scores(feats, anchors, num_classes, input_shape, image_shape):
     '''Process Conv layer output'''
     box_xy, box_wh, box_confidence, box_class_probs = yolo_head(feats,
         anchors, num_classes, input_shape)
     boxes = yolo_correct_boxes(box_xy, box_wh, input_shape, image_shape)
     boxes = K.reshape(boxes, [-1, 4])#reshape,将不同网格的值转换为框的列表。即（?,13,13,3,4）->(?,4)  ？：框的数目
     box_scores = box_confidence * box_class_probs
     box_scores = K.reshape(box_scores, [-1, num_classes])#reshape,将框的得分展平，变为(?,80); ?:框的数目
     return boxes, box_scores#返回预测框的左下角与右上角的坐标与得分

1.4  yolo_eval()

此函数的作用是删除冗余框，保留最优框，用到非极大值抑制算法

 def yolo_eval(yolo_outputs,
               anchors,
               num_classes,
               image_shape,
               max_boxes=20,
               score_threshold=.6,
               iou_threshold=.5):
     """Evaluate YOLO model on given input and return filtered boxes."""
     """      yolo_outputs        #模型输出，格式如下【（?，13,13,255）（?，26,26,255）（?,52,52,255）】 ?:bitch size; 13-26-52:多尺度预测； 255：预测值（3*（80+5））
               anchors,            #[(10,13), (16,30), (33,23), (30,61), (62,45), (59,119), (116,90), (156,198),(373,326)]
               num_classes,　　　　 # 类别个数，coco集80类
               image_shape,        #placeholder类型的TF参数，默认(416, 416)；
               max_boxes=20,       #每张图每类最多检测到20个框同类别框的IoU阈值，大于阈值的重叠框被删除，重叠物体较多，则调高阈值，重叠物体较少，则调低阈值
               score_threshold=.6, #框置信度阈值，小于阈值的框被删除，需要的框较多，则调低阈值，需要的框较少，则调高阈值；
               iou_threshold=.5):  #同类别框的IoU阈值，大于阈值的重叠框被删除，重叠物体较多，则调高阈值，重叠物体较少，则调低阈值"""
     num_layers = len(yolo_outputs)# #yolo的输出层数；num_layers = 3  -> 13-26-52
     anchor_mask = [[6,7,8], [3,4,5], [0,1,2]] if num_layers==3 else [[3,4,5], [1,2,3]] # default setting
     # 每层分配3个anchor box.如13*13分配到[6,7,8]即[（116,90）（156,198）（373,326）]
     input_shape = K.shape(yolo_outputs[0])[1:3] * 32
     # 输入shape(?,13,13,255);即第一维和第二维分别*32  ->13*32=416; input_shape:(416,416)
     #yolo_outputs=[(batch_size，13,13,255)，(batch_size，26,26,255)，(batch_size，52,52,255)]
     #input_shape=416*416
     boxes = []
     box_scores = []
     for l in range(num_layers):
         _boxes, _box_scores = yolo_boxes_and_scores(yolo_outputs[l],
             anchors[anchor_mask[l]], num_classes, input_shape, image_shape)
         boxes.append(_boxes)
         box_scores.append(_box_scores)
     boxes = K.concatenate(boxes, axis=0)
     box_scores = K.concatenate(box_scores, axis=0) #K.concatenate:将数据展平 ->(?,4)

     #可能会产生很多个预选框，需要经过（1）阈值的删选，（2）非极大值抑制的删选
     mask = box_scores >= score_threshold#得分大于置信度为True,否则为Flase
     max_boxes_tensor = K.constant(max_boxes, dtype='int32')
     boxes_ = []
     scores_ = []
     classes_ = []
     """
     # ---------------------------------------#
     #   1、取出每一类得分大于score_threshold
     #   的框和得分
     #   2、对得分进行非极大抑制
     # ---------------------------------------#
     # 对每一个类进行判断"""
     for c in range(num_classes):
         # TODO: use keras backend instead of tf.
         class_boxes = tf.boolean_mask(boxes, mask[:, c])#将输入的数组挑出想要的数据输出，将得分大于阈值的坐标挑选出来
         #将第c类中得分大于阈值的坐标挑选出来
         class_box_scores = tf.boolean_mask(box_scores[:, c], mask[:, c])
         # 将第c类中得分大于阈值的框挑选出来
         """非极大值抑制部分"""
         # 非极大抑制，去掉box重合程度高的那一些
         """原理：(1)从最大概率矩形框F开始，分别判断A~E与F的重叠度IOU是否大于某个设定的阈值;

                 (2)假设B、D与F的重叠度超过阈值，那么就扔掉B、D；并标记第一个矩形框F，是我们保留下来的。

                 (3)从剩下的矩形框A、C、E中，选择概率最大的E，然后判断E与A、C的重叠度，重叠度大于一定的阈值，那么就扔掉；并标记E是我们保留下来的第二个矩形框。

                 就这样一直重复，找到所有被保留下来的矩形框。"""
         nms_index = tf.image.non_max_suppression(
             class_boxes, class_box_scores, max_boxes_tensor, iou_threshold=iou_threshold)
         class_boxes = K.gather(class_boxes, nms_index)
         class_box_scores = K.gather(class_box_scores, nms_index)
         classes = K.ones_like(class_box_scores, 'int32') * c#将class_box_scores中的数变成1
         boxes_.append(class_boxes)
         scores_.append(class_box_scores)
         classes_.append(classes)
     boxes_ = K.concatenate(boxes_, axis=0)
     scores_ = K.concatenate(scores_, axis=0)
     classes_ = K.concatenate(classes_, axis=0)
     #return 经过非极大值抑制保留下来的一个框

     return boxes_, scores_, classes_

1.5  preprocess_true_box()

 def preprocess_true_boxes(true_boxes, input_shape, anchors, num_classes):
     '''
     在preprocess_true_boxes中，输入：

     true_boxes：检测框，批次数16，最大框数20，每个框5个值，4个边界点和1个类别序号，如(16, 20, 5)；
     input_shape：图片尺寸，如(416, 416)；
     anchors：anchor box列表；
     num_classes：类别的数量；
     Preprocess true boxes to training input format

     Parameters
     ----------
     true_boxes: array, shape=(m, T, 5)
         Absolute x_min, y_min, x_max, y_max, class_id relative to input_shape.
     input_shape: array-like, hw, multiples of 32
     anchors: array, shape=(N, 2), wh
     num_classes: integer

     Returns
     -------
     y_true: list of array, shape like yolo_outputs, xywh are reletive value

     '''
     # 检查有无异常数据 即txt提供的box id 是否存在大于 num_class的情况
     # true_boxes.shape  = (图片张数，每张图片box个数，5)（5是左上右下点坐标加上类别下标）
     assert (true_boxes[..., 4]<num_classes).all(), 'class id must be less than num_classes'
     num_layers = len(anchors)//3 # default setting
     anchor_mask = [[6,7,8], [3,4,5], [0,1,2]] if num_layers==3 else [[3,4,5], [1,2,3]]

     true_boxes = np.array(true_boxes, dtype='float32')
     input_shape = np.array(input_shape, dtype='int32')    # [416 416] shape(2,)
     # 将每个box的左上点和右下点坐标相加除2，即取中点！
     """计算true_boxes：

        true_boxes：真值框，左上和右下2个坐标值和1个类别，如[184, 299, 191, 310, 0.0]，结构是(16, 20, 5)，16是批次数，20是框的最大数，5是框的5个值；
        boxes_xy：xy是box的中心点，结构是(16, 20, 2)；
        boxes_wh：wh是box的宽和高，结构也是(16, 20, 2)；
        input_shape：输入尺寸416x416；
        true_boxes：第0和1位设置为xy，除以416，归一化，第2和3位设置为wh，除以416，归一化，如[0.449, 0.730, 0.016, 0.026, 0.0]。"""
     boxes_xy = (true_boxes[..., 0:2] + true_boxes[..., 2:4]) // 2
     # 得到box宽高
     boxes_wh = true_boxes[..., 2:4] - true_boxes[..., 0:2]
     # 中心坐标 和 宽高 都变成 相对于input_shape的比例
     true_boxes[..., 0:2] = boxes_xy/input_shape[::-1]
     true_boxes[..., 2:4] = boxes_wh/input_shape[::-1]
     # 这个m应该是batch的大小 即是输入图片的数量
     m = true_boxes.shape[0]
     # grid_shape [13,13 ]   [26,26]  [52,52]
     grid_shapes = [input_shape//{0:32, 1:16, 2:8}[l] for l in range(num_layers)]
     #y_true是全0矩阵（np.zeros）列表，即[(16,13,13,3,6), (16,26,26,3,6), (16,52,52,3,6)]
     y_true = [np.zeros((m,grid_shapes[l][0],grid_shapes[l][1],len(anchor_mask[l]),5+num_classes),
         dtype='float32') for l in range(num_layers)]
     # y_true  m*13*13*3*(5+num_clasess)
     #         m*26*26*3*(5+num_classes)
     #         m*52*52*3*(5+num_classes)
     # Expand dim to apply broadcasting.

     # Expand dim to apply broadcasting.
     #在原先axis出添加一个维度,由(9,2)转为(1,9,2)
     anchors = np.expand_dims(anchors, 0)
     # 网格中心为原点（即网格中心坐标为 （0,0） ）,　计算出anchor 右下角坐标
     anchor_maxes = anchors / 2.
     #计算出左上标
     anchor_mins = -anchor_maxes
     # 去掉异常数据
     valid_mask = boxes_wh[..., 0]>0

     for b in range(m):
         # Discard zero rows.
         wh = boxes_wh[b, valid_mask[b]]
         if len(wh)==0: continue
         # Expand dim to apply broadcasting.
         wh = np.expand_dims(wh, -2)
         box_maxes = wh / 2.
         box_mins = -box_maxes
         # # 假设　bouding box 的中心也位于网格的中心

         """计算标注框box与anchor box的iou值，计算方式很巧妙：

         box_mins的shape是(7,1,2)，anchor_mins的shape是(1,9,2)，intersect_mins的shape是(7,9,2)，即两两组合的值；
         intersect_area的shape是(7,9)；
         box_area的shape是(7,1)；
         anchor_area的shape是(1,9)；
         iou的shape是(7,9)；
         IoU数据，即anchor box与检测框box，两两匹配的iou值"""
         intersect_mins = np.maximum(box_mins, anchor_mins)#逐位比较
         intersect_maxes = np.minimum(box_maxes, anchor_maxes)
         intersect_wh = np.maximum(intersect_maxes - intersect_mins, 0.)
         intersect_area = intersect_wh[..., 0] * intersect_wh[..., 1]#宽*高
         box_area = wh[..., 0] * wh[..., 1]
         anchor_area = anchors[..., 0] * anchors[..., 1]
         iou = intersect_area / (box_area + anchor_area - intersect_area)

         # Find best anchor for each true box
         best_anchor = np.argmax(iou, axis=-1)

         """设置y_true的值：

            t是box的序号；n是最优anchor的序号；l是层号；
            如果最优anchor在层l中，则设置其中的值，否则默认为0；
            true_boxes是(16, 20, 5)，即批次、box数、框值；
            true_boxes[b, t, 0]，其中b是批次序号、t是box序号，第0位是x，第1位是y；
            grid_shapes是3个检测图的尺寸，将归一化的值，与框长宽相乘，恢复为具体值；
            k是在anchor box中的序号；
            c是类别，true_boxes的第4位；
            将xy和wh放入y_true中，将y_true的第4位框的置信度设为1，将y_true第5~n位的类别设为1；"""
         for t, n in enumerate(best_anchor):
             # 遍历anchor 尺寸 3个尺寸
             # 因为此时box 已经和一个anchor box匹配上，看这个anchor box属于那一层，小，中，大，然后将其box分配到那一层
             for l in range(num_layers):
                 if n in anchor_mask[l]:
                     #因为grid_shape格式是hw所以是x*grid_shapes[l][1]=x*w，求出对应所在网格的横坐标，这里的x是相对于整张图片的相对坐标，
                     # 是在原先坐标上除以了w，所以现在要乘以w
                     i = np.floor(true_boxes[b,t,0]*grid_shapes[l][1]).astype('int32')
                     #np.around 四舍五入
                     #np.floor向下取整
                     #np.ceil向上取整
                     #np.where条件选取
                     # np.floor 返回不大于输入参数的最大整数。 即对于输入值 x ，将返回最大的整数 i ，使得 i <= x。
                     # true_boxes x,y,w,h, 此时x y w h都是相对于整张图像的
                     # 第b个图像 第 t个 bounding box的 x 乘以 第l个grid shap的x（grid shape 格式是hw，
                     # 因为input_shape格式是hw）
                     # 找到这个bounding box落在哪个cell的中心
                     #i，j是所在网格的位置
                     j = np.floor(true_boxes[b,t,1]*grid_shapes[l][0]).astype('int32')
                     # 找到n 在 anchor_box的索引位置
                     k = anchor_mask[l].index(n)
                     # 得到box的id
                     c = true_boxes[b,t, 4].astype('int32')
                     # 第b个图像 第j行 i列 第k个anchor x，y，w，h,confindence,类别概率
                     y_true[l][b, j, i, k, 0:4] = true_boxes[b,t, 0:4]
                     y_true[l][b, j, i, k, 4] = 1
                     # 置信度是1 因为含有目标
                     y_true[l][b, j, i, k, 5+c] = 1
                     # 类别的one-hot编码

     return y_true

1.6 yolo_loss

此函数定义损失函数，损失函数包括三个部分，坐标损失，置信度损失，类别损失：

 def yolo_loss(args, anchors, num_classes, ignore_thresh=.5, print_loss=False):
     """true_boxes : 实际框的位置和类别，我们的输入。三个维度：
     第一个维度：图片张数
     第二个维度：一张图片中有几个实际框
     第三个维度： [x, y, w, h, class]，x,y 是实际框的中心点坐标，w,h 是框的宽度和高度。x,y,w,h 均是除以图片分辨率得到的[0,1]范围的值。
     anchors : 实际anchor boxes 的值，论文中使用了五个。[w,h]，都是相对于gird cell 长宽的比值。二个维度：
     第一个维度：anchor boxes的数量，这里是5
     第二个维度：[w,h]，w,h,都是相对于gird cell 长宽的比值。
     """
     '''Return yolo_loss tensor

     Parameters
     ----------
     yolo_outputs: list of tensor, the output of yolo_body or tiny_yolo_body
     y_true: list of array, the output of preprocess_true_boxes
     anchors: array, shape=(N, 2), wh
     num_classes: integer
     ignore_thresh: float, the iou threshold whether to ignore object confidence loss

     Returns
     -------
     loss: tensor, shape=(1,)

     '''
     num_layers = len(anchors)//3 # default setting
     yolo_outputs = args[:num_layers]
     y_true = args[num_layers:]
     anchor_mask = [[6,7,8], [3,4,5], [0,1,2]] if num_layers==3 else [[3,4,5], [1,2,3]]
     input_shape = K.cast(K.shape(yolo_outputs[0])[1:3] * 32, K.dtype(y_true[0]))
     grid_shapes = [K.cast(K.shape(yolo_outputs[l])[1:3], K.dtype(y_true[0])) for l in range(num_layers)]
     loss = 0
     m = K.shape(yolo_outputs[0])[0] # batch size, tensor
     mf = K.cast(m, K.dtype(yolo_outputs[0]))

     for l in range(num_layers):
         object_mask = y_true[l][..., 4:5]#置信度
         true_class_probs = y_true[l][..., 5:]#类别

         grid, raw_pred, pred_xy, pred_wh = yolo_head(yolo_outputs[l],
              anchors[anchor_mask[l]], num_classes, input_shape, calc_loss=True)
         pred_box = K.concatenate([pred_xy, pred_wh])

         # Darknet raw box to calculate loss.
         # 这是对x,y,w,b转换公式的反变换
         raw_true_xy = y_true[l][..., :2]*grid_shapes[l][::-1] - grid
         raw_true_wh = K.log(y_true[l][..., 2:4] / anchors[anchor_mask[l]] * input_shape[::-1])
         # 这部操作是避免出现log(0) = 负无穷，故当object_mask置信率接近0是返回全0结果
         # K.switch(条件函数，返回值1，返回值2)其中1,2要等shape
         raw_true_wh = K.switch(object_mask, raw_true_wh, K.zeros_like(raw_true_wh)) # avoid log(0)=-inf
         #提升针对小物体的小技巧：针对 YOLOv3来说，regression损失会乘一个（2-w*h）的比例系数，
         # w 和 h 分别是ground truth 的宽和高。如果不减去 w*h，AP 会有一个明显下降。如果继续往上加，如 (2-w*h)*1.5，总体的 AP 还会涨一个点左右（包括验证集和测试集），大概是因为 COCO 中小物体实在太多的原因。

         box_loss_scale = 2 - y_true[l][...,2:3]*y_true[l][...,3:4]

         # Find ignore mask, iterate over each of batch.
         ignore_mask = tf.TensorArray(K.dtype(y_true[0]), size=1, dynamic_size=True)
         object_mask_bool = K.cast(object_mask, 'bool')
         ##将真实标定的数据置信率转换为T or F的掩膜

         def loop_body(b, ignore_mask):
             true_box = tf.boolean_mask(y_true[l][b,...,0:4], object_mask_bool[b,...,0])#挑选出置信度大于0的框的相应的坐标，truebox形式为中心坐标xy与hw

             iou = box_iou(pred_box[b], true_box)#计算iou，pre_box是通过yolo_head解码之后的xywh
             best_iou = K.max(iou, axis=-1)#选取最大iou的
             ignore_mask = ignore_mask.write(b, K.cast(best_iou<ignore_thresh, K.dtype(true_box)))
             return b+1, ignore_mask
         _, ignore_mask = K.control_flow_ops.while_loop(lambda b,*args: b<m, loop_body, [0, ignore_mask])
         ignore_mask = ignore_mask.stack()#将一个列表中维度数目为R的张量堆积起来形成维度为R+1的新张量
         ignore_mask = K.expand_dims(ignore_mask, -1)

         # K.binary_crossentropy is helpful to avoid exp overflow.
         xy_loss = object_mask * box_loss_scale * K.binary_crossentropy(raw_true_xy, raw_pred[...,0:2], from_logits=True)
         wh_loss = object_mask * box_loss_scale * 0.5 * K.square(raw_true_wh-raw_pred[...,2:4])
         confidence_loss = object_mask * K.binary_crossentropy(object_mask, raw_pred[...,4:5], from_logits=True)+ \
             (1-object_mask) * K.binary_crossentropy(object_mask, raw_pred[...,4:5], from_logits=True) * ignore_mask
         class_loss = object_mask * K.binary_crossentropy(true_class_probs, raw_pred[...,5:], from_logits=True)

         xy_loss = K.sum(xy_loss) / mf
         wh_loss = K.sum(wh_loss) / mf
         confidence_loss = K.sum(confidence_loss) / mf
         class_loss = K.sum(class_loss) / mf
         loss += xy_loss + wh_loss + confidence_loss + class_loss
         if print_loss:
             loss = tf.Print(loss, [loss, xy_loss, wh_loss, confidence_loss, class_loss, K.sum(ignore_mask)], message='loss: ')
     return loss

2.train.py

整个训练分为两个阶段，第一个阶段为0~50epoch，训练最后的loss层，前面的层被冻结，第二个阶段为50~100个epoch训练前面的层

 def _main():
     annotation_path = '2007_train.txt'
     log_dir = 'logs/000/'
     classes_path = 'model_data/voc_classes.txt'
     anchors_path = 'model_data/yolo_anchors.txt'
     class_names = get_classes(classes_path)
     num_classes = len(class_names)
     anchors = get_anchors(anchors_path)

     input_shape = (416,416) # multiple of 32, hw

     is_tiny_version = len(anchors)==6 # default setting
     if is_tiny_version:
         model = create_tiny_model(input_shape, anchors, num_classes,
             freeze_body=2, weights_path='model_data/tiny_yolo_weights.h5')
     else:
         model = create_model(input_shape, anchors, num_classes,
             freeze_body=2, weights_path='model_data/yolo_weights.h5') # make sure you know what you freeze

     logging = TensorBoard(log_dir=log_dir)
     checkpoint = ModelCheckpoint(log_dir + 'ep{epoch:03d}-loss{loss:.3f}-val_loss{val_loss:.3f}.h5',
         monitor='val_loss', save_weights_only=True, save_best_only=True, period=3)
     reduce_lr = ReduceLROnPlateau(monitor='val_loss', factor=0.1, patience=3, verbose=1)
     """monitor：被监测的量
        factor：每次减少学习率的因子，学习率将以lr = lr*factor的形式被减少
        patience：当patience个epoch过去而模型性能不提升时，学习率减少的动作会被触发
        mode：‘auto’，‘min’，‘max’之一，在min模式下，如果检测值触发学习率减少。在max模式下，当检测值不再上升则触发学习率减少。
        epsilon：阈值，用来确定是否进入检测值的“平原区”
        cooldown：学习率减少后，会经过cooldown个epoch才重新进行正常操作
        min_lr：学习率的下限"""
     early_stopping = EarlyStopping(monitor='val_loss', min_delta=0, patience=10, verbose=1)
     """monitor: 被监测的数据。
        min_delta: 在被监测的数据中被认为是提升的最小变化， 例如，小于 min_delta 的绝对变化会被认为没有提升。
        patience: 没有进步的训练轮数，在这之后训练就会被停止。
        verbose: 详细信息模式。
        mode: {auto, min, max} 其中之一。 在 min 模式中， 当被监测的数据停止下降，训练就会停止；在 max 模式中，当被监测的数据停止上升，训练就会停止；在 auto 模式中，方向会自动从被监测的数据的名字中判断出来。
        baseline: 要监控的数量的基准值。 如果模型没有显示基准的改善，训练将停止。
        restore_best_weights: 是否从具有监测数量的最佳值的时期恢复模型权重。 如果为 False，则使用在训练的最后一步获得的模型权重"""

     val_split = 0.1
     with open(annotation_path) as f:
         lines = f.readlines()
     np.random.seed(10101)
     np.random.shuffle(lines)
     np.random.seed(None)
     num_val = int(len(lines)*val_split)
     num_train = len(lines) - num_val

     # Train with frozen layers first, to get a stable loss.
     # Adjust num epochs to your dataset. This step is enough to obtain a not bad model.
     if True:
         model.compile(optimizer=Adam(lr=1e-3), loss={
             # use custom yolo_loss Lambda layer.
             # # 使用定制的 yolo_loss Lambda层
             'yolo_loss': lambda y_true, y_pred: y_pred})
         #解释：模型compile时传递的是自定义的loss，而把loss写成一个层融合到model里面后，
         # y_pred就是loss。自定义损失函数规定要以y_true, y_pred为参数

         batch_size = 32
         print('Train on {} samples, val on {} samples, with batch size {}.'.format(num_train, num_val, batch_size))
         model.fit_generator(data_generator_wrapper(lines[:num_train], batch_size, input_shape, anchors, num_classes),
                 steps_per_epoch=max(1, num_train//batch_size),
                 validation_data=data_generator_wrapper(lines[num_train:], batch_size, input_shape, anchors, num_classes),
                 validation_steps=max(1, num_val//batch_size),
                 epochs=50,
                 initial_epoch=0,
                 callbacks=[logging, checkpoint])
         model.save_weights(log_dir + 'trained_weights_stage_1.h5')

     # Unfreeze and continue training, to fine-tune.
     # Train longer if the result is not good.
     if True:
         for i in range(len(model.layers)):
             model.layers[i].trainable = True
         model.compile(optimizer=Adam(lr=1e-4), loss={'yolo_loss': lambda y_true, y_pred: y_pred}) # recompile to apply the change
         print('Unfreeze all of the layers.')

         batch_size = 32 # note that more GPU memory is required after unfreezing the body
         print('Train on {} samples, val on {} samples, with batch size {}.'.format(num_train, num_val, batch_size))
         model.fit_generator(data_generator_wrapper(lines[:num_train], batch_size, input_shape, anchors, num_classes),
             steps_per_epoch=max(1, num_train//batch_size),
             validation_data=data_generator_wrapper(lines[num_train:], batch_size, input_shape, anchors, num_classes),
             validation_steps=max(1, num_val//batch_size),
             epochs=100,
             initial_epoch=50,
             callbacks=[logging, checkpoint, reduce_lr, early_stopping])
         model.save_weights(log_dir + 'trained_weights_final.h5')

     # Further training if needed.

 def get_classes(classes_path):
     '''loads the classes'''
     with open(classes_path) as f:
         class_names = f.readlines()
     class_names = [c.strip() for c in class_names]
     return class_names

 def get_anchors(anchors_path):
     '''loads the anchors from a file'''
     with open(anchors_path) as f:
         anchors = f.readline()
     anchors = [float(x) for x in anchors.split(',')]
     return np.array(anchors).reshape(-1, 2)

 def create_model(input_shape, anchors, num_classes, load_pretrained=True, freeze_body=2,
             weights_path='model_data/yolo_weights.h5'):
     '''create the training model'''
     K.clear_session() # get a new session
     image_input = Input(shape=(None, None, 3))
     h, w = input_shape
     num_anchors = len(anchors)

     y_true = [Input(shape=(h//{0:32, 1:16, 2:8}[l], w//{0:32, 1:16, 2:8}[l], \
         num_anchors//3, num_classes+5)) for l in range(3)]

     model_body = yolo_body(image_input, num_anchors//3, num_classes)
     print('Create YOLOv3 model with {} anchors and {} classes.'.format(num_anchors, num_classes))

     if load_pretrained:
         model_body.load_weights(weights_path, by_name=True, skip_mismatch=True)
         print('Load weights {}.'.format(weights_path))
         """根据预训练权重的地址weights_path，加载权重文件，设置参数为，按名称对应by_name，
            略过不匹配skip_mismatch；

            选择冻结模式：模式1是冻结185层，模式2是保留最底部3层，其余全部冻结。
            整个模型共有252层；将所冻结的层，设置为不可训练，trainable=False；"""
         if freeze_body in [1, 2]:
             # Freeze darknet53 body or freeze all but 3 output layers.
             num = (185, len(model_body.layers)-3)[freeze_body-1]
             for i in range(num): model_body.layers[i].trainable = False
             print('Freeze the first {} layers of total {} layers.'.format(num, len(model_body.layers)))
     """Lambda是Keras的自定义层，输入为model_body.output和y_true，输出output_shape是(1,)，即一个损失值；

        自定义Lambda层的名字name为yolo_loss；

        层的参数是锚框列表anchors、类别数num_classes和IoU阈值ignore_thresh。
        其中，ignore_thresh用于在物体置信度损失中过滤IoU较小的框；

        yolo_loss是损失函数的核心逻辑。"""
     model_loss = Lambda(yolo_loss, output_shape=(1,), name='yolo_loss',
         arguments={'anchors': anchors, 'num_classes': num_classes, 'ignore_thresh': 0.5})(
         [*model_body.output, *y_true])
     """把loss写成一个层，作为最后的输出，搭建模型的时候，就只需要将模型的output定义为loss
     ，而compile的时候，直接将loss设置为y_pred（因为模型的输出就是loss，所以y_pred就是loss），
     无视y_true，训练的时候，y_true随便扔一个符合形状的数组进去就行了"""
     #keras.layer.Lambda将任意表达式封装为 Layer 对象
     #keras.layers.Lambda(function, output_shape=None, mask=None, arguments=None)
     #function: 需要封装的函数。 将输入张量作为第一个参数。
     # output_shape: 预期的函数输出尺寸。可以是元组或者函数。 如果是元组，它只指定第一个维度；
     # arguments: 可选的。传递给函数function的关键字参数。

     model = Model([model_body.input, *y_true], model_loss)
     #构建了以图片数据和图片标签（y_true）为输入，
     # 模型损失（model_loss）为输出（y_pred）的模型 model。

     return model

 def create_tiny_model(input_shape, anchors, num_classes, load_pretrained=True, freeze_body=2,
             weights_path='model_data/tiny_yolo_weights.h5'):
     '''create the training model, for Tiny YOLOv3'''
     K.clear_session() # get a new session
     image_input = Input(shape=(None, None, 3))
     h, w = input_shape
     num_anchors = len(anchors)

     y_true = [Input(shape=(h//{0:32, 1:16}[l], w//{0:32, 1:16}[l], \
         num_anchors//2, num_classes+5)) for l in range(2)]

     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))

     if load_pretrained:
         model_body.load_weights(weights_path, by_name=True, skip_mismatch=True)
         print('Load weights {}.'.format(weights_path))
         if freeze_body in [1, 2]:
             # Freeze the darknet body or freeze all but 2 output layers.
             num = (20, len(model_body.layers)-2)[freeze_body-1]
             for i in range(num): model_body.layers[i].trainable = False
             print('Freeze the first {} layers of total {} layers.'.format(num, len(model_body.layers)))

     model_loss = Lambda(yolo_loss, output_shape=(1,), name='yolo_loss',
         arguments={'anchors': anchors, 'num_classes': num_classes, 'ignore_thresh': 0.7})(
         [*model_body.output, *y_true])
     model = Model([model_body.input, *y_true], model_loss)

     return model

 def data_generator(annotation_lines, batch_size, input_shape, anchors, num_classes):

     '''data generator for fit_generator
         annotation_lines：标注数据的行，每行数据包含图片路径，和框的位置信息，种类
         batch_size：每批图片的大小
         input_shape： 图片的输入尺寸
         anchors: 大小
         num_classes： 类别数
         '''

     n = len(annotation_lines)
     i = 0
     while True:
         image_data = []
         box_data = []
         for b in range(batch_size):
             if i==0:
                 np.random.shuffle(annotation_lines)
             image, box = get_random_data(annotation_lines[i], input_shape, random=True)#从标记的样本分离image与box，得到样本图片与样本label
             image_data.append(image)
             box_data.append(box)
             i = (i+1) % n
         image_data = np.array(image_data)
         box_data = np.array(box_data)
         y_true = preprocess_true_boxes(box_data, input_shape, anchors, num_classes)
         yield [image_data, *y_true], np.zeros(batch_size)

 def data_generator_wrapper(annotation_lines, batch_size, input_shape, anchors, num_classes):
     n = len(annotation_lines)
     if n==0 or batch_size<=0: return None
     return data_generator(annotation_lines, batch_size, input_shape, anchors, num_classes)

 if __name__ == '__main__':
     _main()

3.utils.py

3.1 letter_image_box(),此函数的作用主要是将输入的图片进行等比例缩小，并在空余地方填成灰色

 def letterbox_image(image, size):
     '''resize image with unchanged aspect ratio using padding'''
     iw, ih = image.size#图像初始的大小，任意值   以(1000,500)为例
     w, h = size #模型要求的(416,416)
     scale = min(w/iw, h/ih)#416/1000  0.416<0.832  ,416/500
     nw = int(iw*scale) #416/1000*1000=416
     nh = int(ih*scale)#416/1000*400=208

     image = image.resize((nw,nh), Image.BICUBIC)
     new_image = Image.new('RGB', size, (128,128,128))#new : 这个函数创建一幅给定模式（mode）和尺寸（size）的图片。如果省略 color 参数，则创建的图片被黑色填充满，
                                                      # 如果 color 参数是 None 值，则图片还没初始化
     new_image.paste(image, ((w-nw)//2, (h-nh)//2)) #w-nw=0,(h-nh)//2=(416-208)//2=108
     return new_image

它的作用如下：

3.2 get_random_data()

此函数的功能主要是进行数据增强与输入图像预处理（同letter_image_box）

 def get_random_data(annotation_line, input_shape, random=True, max_boxes=20, jitter=.3, hue=.1, sat=1.5, val=1.5, proc_img=True):
     '''random preprocessing for real-time data augmentation
     annotation_lines：标注数据的行，每行数据包含图片路径，和框的位置信息，种类
     return:imagedata是经过resize并填充的样本图片，resize成（416,416），并填充灰度
            boxdata是每张image中做的标记label，shpe，对应着truebox，批次数16，最大框数20，每个框5个值，4个边界点和1个类别序号，如(16, 20, 5)
            为（，batchsize，maxbox，5），每张图片最多的有maxbox个类，5为左上右下的坐标'''
     line = annotation_line.split()#删除空格
     image = Image.open(line[0])
     iw, ih = image.size
     h, w = input_shape#（416,416）
     box = np.array([np.array(list(map(int,box.split(',')))) for box in line[1:]])

     if not random:
         # resize image
         #将图片等比例转换为416x416的图片，其余用灰色填充，
         # 即(128, 128, 128)，同时颜色值转换为0~1之间，即每个颜色值除以255；

         scale = min(w/iw, h/ih)
         nw = int(iw*scale)
         nh = int(ih*scale)
         dx = (w-nw)//2
         dy = (h-nh)//2
         image_data=0
         if proc_img:
             image = image.resize((nw,nh), Image.BICUBIC)
             new_image = Image.new('RGB', (w,h), (128,128,128))
             new_image.paste(image, (dx, dy))
             image_data = np.array(new_image)/255.
             # 上面的作用和letter_box一致，加了一个把rgb范围变成0-1
             # correct boxes   max_boxes=20

         # correct boxes
         # 将边界框box等比例缩小，再加上填充的偏移量dx和dy，因为新的图片部分用灰色填充，影
         # 响box的坐标系，box最多有max_boxes个，即20个
         box_data = np.zeros((max_boxes,5))#shap->(20,5)
         if len(box)>0:
             np.random.shuffle(box)
             if len(box)>max_boxes: box = box[:max_boxes]
             box[:, [0,2]] = box[:, [0,2]]*scale + dx
             box[:, [1,3]] = box[:, [1,3]]*scale + dy
             box_data[:len(box)] = box

         return image_data, box_data

     # resize image
     #通过jitter参数，随机计算new_ar和scale，生成新的nh和nw，
     # 将原始图像随机转换为nw和nh尺寸的图像，即非等比例变换图像。
     #也即是数据增强
     new_ar = w/h * rand(1-jitter,1+jitter)/rand(1-jitter,1+jitter)
     scale = rand(.25, 2)
     if new_ar < 1:
         nh = int(scale*h)
         nw = int(nh*new_ar)
     else:
         nw = int(scale*w)
         nh = int(nw/new_ar)
     image = image.resize((nw,nh), Image.BICUBIC)

     # place image
     dx = int(rand(0, w-nw))
     dy = int(rand(0, h-nh))
     new_image = Image.new('RGB', (w,h), (128,128,128))
     new_image.paste(image, (dx, dy))
     image = new_image

     # flip image or not
     #根据随机数flip，随机左右翻转FLIP_LEFT_RIGHT图片
     flip = rand()<.5
     if flip: image = image.transpose(Image.FLIP_LEFT_RIGHT)

     # distort image
     #在HSV坐标域中，改变图片的颜色范围，hue值相加，sat和vat相乘，
     # 先由RGB转为HSV，再由HSV转为RGB，添加若干错误判断，避免范围过大
     hue = rand(-hue, hue)
     sat = rand(1, sat) if rand()<.5 else 1/rand(1, sat)
     val = rand(1, val) if rand()<.5 else 1/rand(1, val)
     x = rgb_to_hsv(np.array(image)/255.)
     x[..., 0] += hue
     x[..., 0][x[..., 0]>1] -= 1
     x[..., 0][x[..., 0]<0] += 1
     x[..., 1] *= sat
     x[..., 2] *= val
     x[x>1] = 1
     x[x<0] = 0
     image_data = hsv_to_rgb(x) # numpy array, 0 to 1

     # correct boxes
     #将所有的图片变换，增加至检测框中，并且包含若干异常处理，避免变换之后的值过大或过小，去除异常的box
     box_data = np.zeros((max_boxes,5))
     if len(box)>0:
         np.random.shuffle(box)
         box[:, [0,2]] = box[:, [0,2]]*nw/iw + dx
         box[:, [1,3]] = box[:, [1,3]]*nh/ih + dy
         if flip: box[:, [0,2]] = w - box[:, [2,0]]
         box[:, 0:2][box[:, 0:2]<0] = 0
         box[:, 2][box[:, 2]>w] = w
         box[:, 3][box[:, 3]>h] = h
         box_w = box[:, 2] - box[:, 0]
         box_h = box[:, 3] - box[:, 1]
         box = box[np.logical_and(box_w>1, box_h>1)] # discard invalid box
         if len(box)>max_boxes: box = box[:max_boxes]
         box_data[:len(box)] = box

     return image_data, box_data

4.yolo.py()

此函数主要用于检测图片或者视频

     def generate(self):
         """①加载权重参数文件，生成检测框，得分，以及对应类别

           ②利用model.py中的yolo_eval函数生成检测框，得分，所属类别

           ③初始化时调用generate函数生成图片的检测框，得分，所属类别（self.boxes, self.scores, self.classes）"""
         model_path = os.path.expanduser(self.model_path)
         assert model_path.endswith('.h5'), 'Keras model or weights must be a .h5 file.'

         # Load model, or construct model and load weights.
         num_anchors = len(self.anchors)
         num_classes = len(self.class_names)
         is_tiny_version = num_anchors==6 # default setting
         try:
             self.yolo_model = load_model(model_path, compile=False)
         except:
             self.yolo_model = tiny_yolo_body(Input(shape=(None,None,3)), num_anchors//2, num_classes) \
                 if is_tiny_version else yolo_body(Input(shape=(None,None,3)), num_anchors//3, num_classes)
             self.yolo_model.load_weights(self.model_path) # make sure model, anchors and classes match
         else:
             ##[-1]:网络最后一层输出。 output_shape[-1]:输出维度的最后一维。 -> (?,13,13,255)
             # 255 = 9/3*(80+5). 9/3:每层特征图对应3个anchor box  80:80个类别 5:4+1,框的4个值+1个置信度

             assert self.yolo_model.layers[-1].output_shape[-1] == \
                 num_anchors/len(self.yolo_model.output) * (num_classes + 5), \
                 'Mismatch between model and given anchor and class sizes'
             #Python assert（断言）用于判断一个表达式，在表达式条件为 false 的时候触发异常。

             #断言可以在条件不满足程序运行的情况下直接返回错误，而不必等待程序运行后出现崩溃的情况

         print('{} model, anchors, and classes loaded.'.format(model_path))

         # Generate colors for drawing bounding boxes.
         # Generate colors for drawing bounding boxes.
         # 生成绘制边框的颜色。
         # h(色调）：x/len(self.class_names)  s(饱和度）：1.0  v(明亮）：1.0

         # 对于80种coco目标，确定每一种目标框的绘制颜色，即：将(x/80, 1.0, 1.0)的颜色转换为RGB格式，并随机调整颜色以便于肉眼识别，
         # 其中：一个1.0表示饱和度，一个1.0表示亮度

         hsv_tuples = [(x / len(self.class_names), 1., 1.)
                       for x in range(len(self.class_names))]
         self.colors = list(map(lambda x: colorsys.hsv_to_rgb(*x), hsv_tuples)) #hsv转换为rgb
         # hsv取值范围在【0,1】，而RBG取值范围在【0,255】，所以乘上255
         self.colors = list(
             map(lambda x: (int(x[0] * 255), int(x[1] * 255), int(x[2] * 255)),
                 self.colors))
         np.random.seed(10101)  # Fixed seed for consistent colors across runs.
         np.random.shuffle(self.colors)  # Shuffle colors to decorrelate adjacent classes.
         np.random.seed(None)  # Reset seed to default.

         # Generate output tensor targets for filtered bounding boxes.
         #为过滤的边界框生成输出张量目标
         self.input_image_shape = K.placeholder(shape=(2, ))
         if self.gpu_num>=2:
             self.yolo_model = multi_gpu_model(self.yolo_model, gpus=self.gpu_num)
         boxes, scores, classes = yolo_eval(self.yolo_model.output, self.anchors,
                 len(self.class_names), self.input_image_shape,
                 score_threshold=self.score, iou_threshold=self.iou)
         return boxes, scores, classes

     def detect_image(self, image):
         """开始计时->①调用letterbox_image函数，即：先生成一个用“绝对灰”R128-G128-B128填充的416×416新图片，然后用按比例缩放（采样方式：BICUBIC）后的输入图片粘贴，粘贴不到的部分保留为灰色。②model_image_size定义的宽和高必须是32的倍数；若没有定义model_image_size，将输入的尺寸调整为32的倍数，并调用letterbox_image函数进行缩放。③将缩放后的图片数值除以255，做归一化。④将（416,416,3）数组调整为（1,416,416,3）元祖，满足网络输入的张量格式：image_data。

         ->①运行self.sess.run（）输入参数：输入图片416×416，学习模式0测试/1训练。
         self.yolo_model.input: image_data，self.input_image_shape: [image.size[1], image.size[0]]，
         K.learning_phase(): 0。②self.generate（），读取：model路径、anchor box、coco类别、加载模型yolo.h5.，对于80中coco目标，确定每一种目标框的绘制颜色，即：将（x/80,1.0,1.0）的颜色转换为RGB格式，并随机调整颜色一遍肉眼识别，其中：一个1.0表示饱和度，一个1.0表示亮度。③若GPU>2调用multi_gpu_model()

          ->①yolo_eval(self.yolo_model.output),max_boxes=20,每张图没类最多检测20个框。
          ②将anchor_box分为3组，分别分配给三个尺度，yolo_model输出的feature map
          ③特征图越小，感受野越大，对大目标越敏感，选大的anchor box->
          分别对三个feature map运行out_boxes, out_scores, out_classes，返回boxes、scores、classes。
          """
         start = timer()
         # # 调用letterbox_image()函数，即：先生成一个用“绝对灰”R128-G128-B128“填充的416x416新图片，
         # 然后用按比例缩放（采样方法：BICUBIC）后的输入图片粘贴，粘贴不到的部分保留为灰色

         if self.model_image_size != (None, None):  #判断图片是否存在
             assert self.model_image_size[0]%32 == 0, 'Multiples of 32 required'
             assert self.model_image_size[1]%32 == 0, 'Multiples of 32 required'
             # assert断言语句的语法格式 model_image_size[0][1]指图像的w和h，且必须是32的整数倍
             boxed_image = letterbox_image(image, tuple(reversed(self.model_image_size)))
             # #letterbox_image对图像调整成输入尺寸(w,h)
         else:
             new_image_size = (image.width - (image.width % 32),
                               image.height - (image.height % 32))
             boxed_image = letterbox_image(image, new_image_size)
         image_data = np.array(boxed_image, dtype='float32')

         print(image_data.shape)#（416，416,3）
         image_data /= 255.#将缩放后图片的数值除以255，做归一化
         image_data = np.expand_dims(image_data, 0)  # Add batch dimension.
         # 批量添加一维 -> (1,416,416,3) 为了符合网络的输入格式 -> (bitch, w, h, c)

         out_boxes, out_scores, out_classes = self.sess.run(
             [self.boxes, self.scores, self.classes],
             feed_dict={
                 self.yolo_model.input: image_data,#图像数据
                 self.input_image_shape: [image.size[1], image.size[0]],#图像尺寸416x416
                 K.learning_phase(): 0#学习模式 0：测试模型。 1：训练模式
             })#目的为了求boxes,scores,classes，具体计算方式定义在generate（）函数内。在yolo.py第61行

         print('Found {} boxes for {}'.format(len(out_boxes), 'img'))
         # 绘制边框，自动设置边框宽度，绘制边框和类别文字，使用Pillow绘图库（PIL，头有声明）
         # 设置字体

         font = ImageFont.truetype(font='font/FiraMono-Medium.otf',
                     size=np.floor(3e-2 * image.size[1] + 0.5).astype('int32'))
         # 设置目标框线条的宽度
         thickness = (image.size[0] + image.size[1]) // 300#厚度
         ## 对于c个目标类别中的每个目标框i，调用Pillow画图

         for i, c in reversed(list(enumerate(out_classes))):
             predicted_class = self.class_names[c] #类别  #目标类别的名字
             box = out_boxes[i]#框
             score = out_scores[i]#置信度

             label = '{} {:.2f}'.format(predicted_class, score)
             draw = ImageDraw.Draw(image)#创建一个可以在给定图像上绘图的对象
             label_size = draw.textsize(label, font)##标签文字   #返回label的宽和高（多少个pixels）
             #返回给定字符串的大小，以像素为单位。
             top, left, bottom, right = box
             # 目标框的上、左两个坐标小数点后一位四舍五入
             """防止检测框溢出"""
             top = max(0, np.floor(top + 0.5).astype('int32'))

             left = max(0, np.floor(left + 0.5).astype('int32'))
             # 目标框的下、右两个坐标小数点后一位四舍五入，与图片的尺寸相比，取最小值
             # 防止边框溢出
             bottom = min(image.size[1], np.floor(bottom + 0.5).astype('int32'))
             right = min(image.size[0], np.floor(right + 0.5).astype('int32'))
             print(label, (left, top), (right, bottom))
             # 确定标签（label）起始点位置：标签的左、下
             if top - label_size[1] >= 0:
                 text_origin = np.array([left, top - label_size[1]])
             else:
                 text_origin = np.array([left, top + 1])

             # My kingdom for a good redistributable image drawing library.
             # 画目标框，线条宽度为thickness
             for i in range(thickness):#画框
                 draw.rectangle(
                     [left + i, top + i, right - i, bottom - i],
                     outline=self.colors[c])
                 # 画标签框
             draw.rectangle( #文字背景
                 [tuple(text_origin), tuple(text_origin + label_size)],
                 fill=self.colors[c])
             # 填写标签内容
             draw.text(text_origin, label, fill=(0, 0, 0), font=font)#文案
             del draw

         end = timer()
         print(end - start)
         return image

     def close_session(self):
         self.sess.close()

以上即是主要yolo3的主要部分，下面将会对模型进行测试

5.测试

在理解完原理与上述代码之后，下面进行测试（当然也可以不用理解源码也可以直接测试）

（1） 首先需要下载yolo3.weights,下载地址：

  https://pjreddie.com/media/files/yolov3.weights
  (2) 在pycharm的终端中输入python convert.py yolov3.cfg yolov3.weights model_data/yolo_weights.h5
  作用是将yolo3.weights文件转换成Keras可以处理的.h5权值文件，
（3）随便在网上下载一张图片进行测试，比如笔者用一张飞机的照片
（4）在源码中，不能直接运行yolo.py,因为在此代码中没有if__name__=='__main__':
所以需要自己添加：

 if __name__ == '__main__':
     """测试图片"""
     yolo = YOLO()
     path = r'F:\chorme_download\keras-yolo3-master\微信图片_20200313132254.jpg'
     try:
         image = Image.open(path)
     except:
         print('Open Error! Try again!')
     else:
         r_image = yolo.detect_image(image)
         r_image.show()

     yolo.close_session()
     """测试视频，将detect_video中的path置0即调用自己电脑的摄像头"""
     yolo=YOLO()
     detect_video(yolo,0)

6.结果

本文为原创，制作不易，转载请标明出处，谢谢！！！