我正在尝试创建一个可以检测来自视频帧的流量标记的应用。我正在使用yolo-tensor，按照https://github.com/thtrieu/darkflow中的步骤进行操作。
我需要知道如何使用我的交通标志图像数据集来训练这个模型？
答案 0 :(得分：0)
如果你在Windows上使用Darkflow，那么你需要对如何使用Darkflow进行一些小的调整。如果克隆代码并直接从存储库中使用，那么您需要将python放在给定的命令前面，因为它是一个python文件。
e.g。 python flow --imgdir sample_img/ --model cfg/yolo-tiny.cfg --load bin/yolo-tiny.weights --json
如果您使用pip进行全局安装（这不是一个坏主意），并且您仍想使用任何目录中的flow实用程序，请确保随身携带流文件。
要训练，请使用github页面上列出的命令：https://github.com/thtrieu/darkflow
如果您需要对自己的数据进行培训，则需要采取此处概述的一些额外步骤：https://github.com/thtrieu/darkflow#training-on-your-own-dataset
您的注释需要采用流行的PASCAL VOC格式，这是一组包含文件信息和边界框数据的xml文件。
将您的流量命令指向新数据集和注释以进行训练。
答案 1 :(得分：0)
您要练习的最佳数据是PASCAL VOC数据集。您需要为培训准备2个文件夹。 1个带有图像的文件夹和1个带有xml文件的文件夹（注释文件夹），1个图像将需要1个xml文件（具有相同名称）的内容所有基本信息（对象名称，对象位置，...）。之后，您只需在cfg文件夹中选择1个预定义的.cfg文件，然后运行命令：
flow --model cfg/yolo-new.cfg --train --dataset "path/to/images/folder" --annotation "path/to/annotation/folder"
了解darkflow支持的更多选项，以优化更多培训流程。
答案 2 :(得分：0)
在花费太多时间训练对象检测的自定义数据集之后
先决条件： 1：培训环境：具有至少4GB GPU的系统，或者您可以在安装了cuda 9的情况下使用AWS / GCP预配置的云机 2：Ubuntu 16.04操作系统 3：要检测的物体的图像。图像大小不应太大，否则会在数据集训练中造成内存不足的问题 4：标签工具很多，比如我使用的LabelImg / BBox-Label-Tool也是不错的一种 我也尝试了python项目数据集生成器，但在实时场景中使用数据集生成器进行标记的结果效率不高
我对培训环境的建议是使用AWS机器，而不是花时间在本地安装cuda和cudnn，即使您能够在本地安装cuda，但是如果您没有GPU> = 4 gb，您将无法训练很多次，它将因内存不足问题而中断
训练数据集的解决方案：
1：使用tensorflow对象检测api训练ssd_mobilenet_v2数据集 此培训输出可同时在android和ios平台上使用
2：使用darknet训练需要标签的Pascal VOC数据格式的数据集，因为labelIMG可以很好地完成标签工作 3：使用darkflow
重新训练作为Darknet输出的数据权重