本人小白，文章对YOLOV3用于危险品测试的代码（基于keras）进行简单解读与记录，最后实现了简单的检测测试。
1.代码整体结构
2.关键文件功能
2.1front文件夹
字体设置文件
2.2goods-train文件夹
yolov3.h5:权值文件
yolov3-voc.cfg:构建yolov3检测模型的整个超参文件，从零训练不需要修改，预训练好的权重训练需要修改，以下为修改步骤。
ctrl+f搜yolo，共3出需要修改：
- filters： 3*（5+len（classes））
- classes: len(classes) = x，x为识别种类个数
- random：原来是1，显存小改为0
yolov3-voc_final.weights:训练生成的权重文件，需要和cfg用convert.py转换成.h5文件方可使用
2.3yolo3文件夹
其中model.py对YOLOV3的模型进行封装，utils.py在模型训练进行数据处理工具文件。
2.4其他py文件
convert.py：用于将darknet下训练的权重转化为keras权重使用
mian.py:加载gui界面测试图片
train.py:训练yolo模型并保存权重
voc_annotation.py:训练时调用，将xml标签文件生成txt文件方便后续处理，txt文件用作kmeans.py输入进行聚类生成anchors
yolo.py:用于融合所有组件生成yolo类，包含一些方法如anchor文件位置、类别文件位置、score阈值、IOU阈值、输入图像尺寸、gpu数量
yolo_camera.py:创建YOLO类，调用摄像头进行检测测试
python yolo_camera-net.py：调用网络摄像头识别
python yolo_video.py：视频检测， 视频存在video文件夹下面
yolo_image.py:测试，图片检测
yolo_video.py：测试，视频检测
3.测试实现
环境：win10+pycharm+keras2.1.5+tensorflow1.13.1
3.1预训练模型
如果是coco检测则需要下载权重文件yolov3.weights并用convert.py将其转换成.h5文件。本文直接加载goods-train下的yolov3.h5以及model_data下anchors与classes进行测试。其中anchors为yolo的9个anchors，由作者在voc数据集上聚类得到anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326。按顺序从小到大，后面每三组调用分别对于yolo三个尺度特征。classes为数据集类。
3.2测试
mian.py可以直接使用GUI界面进行图片与摄像头的检测
yolo_image.py需要将测试图片放在images文件夹下，结果生成到result文件夹，测试结果：
这两张图看上去还不错，但仍然有改进的地方，比如nms算法阈值设置，以及使用的anchors直接是voc数据集聚类而来的9个anchors，对于危险品数据集不一定很适用，在危险品数据集上重新聚类效果可能会更好。上文只是对yolo代码的简单解读以及测试，下一篇文章将记录如何用yolov3训练自己的数据集。yolov3实现训练自己数据集