基于yolov3和pythorch框架的火焰识别检测算法

这是本人第一次写博客，就当是自己实现算法的一个记录吧，有什么不好的地方也请多多指教。我会详细的从环境的配置到算法实现都说明一下，希望对大家能有帮助。
本火焰识别算法采用的是pytorch版本的yolov3检测，yolov3基于Darknet-53网络结构，在图像识别领域应用特别广。

本算法识别的效果如下：
在这里插入图片描述

下面开始实际操作啦

一、配置环境

算法所需环境如下：

Python： 3.7.4
Tensorflow-GPU 1.14.0
Keras: 2.2.4
numpy:1.17.4

我的操作系统是Ubuntu16.04，windows系统同样可以实现此算法这里建议使用anaconda来快速搭建一个虚拟环境。

如果是ubuntu系统可以参考这篇博客安装anaconda，Anaconda 是 Python 的一个出色的集成开发工具集，对于搞深度学习的人来说应该是必备的。
ubuntu安装anaconda链接

有了anaconda后就可以用它创建虚拟环境啦。具体可以参考这篇博客。
anaconda创建虚拟环境

之后安装Tensorflow,由于我的显卡是AMD的，所以安装的CPU版的，大家可以根据自己的显卡安装相应版本。运行下面的命令安装Tensorflow。

pip install tensorflow==1.14.0

下一步安装相应版本的Keras,运行下面的命令。

pip install Keras==2.2.4

接下来使用pip继续安装numpy。运行如下命令：

pip --default-timeout=1000 install numpy==1.17.4

如果发现已经安装了其他版本的numpy，那么运行如下命令将其卸载，再运行以上命令安装对应版本的numpy。

pip uninstall numpy

到这里算法所需的环境就配置好啦，再强调一遍环境一定要一致，否则运行算法会报错。

二、数据集准备

这里采用网上现成的数据集，直接可以去我上传的资源里进行下载，只需要关注我即可，无需花积分。链接如下：
火焰数据集

三、算法实现

这个算法是在github 找到的一个算法，效果还是相当不错的。大家可以直接从链接中把它下载下来。
Pytorch_Yolov3算法

1.安装python模块

在算法文件夹下的requirements.txt中含有本次所需的python模块.

numpy
torch==1.2.0
torchvision==0.4.0
matplotlib
tensorflow==1.13.2
tensorboardX==2.0
terminaltables
pillow
tqdm

直接在文件夹YOLOV3_Fire_Detection-master文件夹终端下运行命令
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt来安装相应的模块。

2.下载权重文件
Linux平台下，先cd到weights文件夹下cd weights/，之后运行bash download_weights.sh就可以下载权重信息了。这个程可能会花费很长时间，建议用一个好的网络。

3.修改配置文件
Linux平台下，运行cd config/命令，之后运行 bash create_custom_model.sh '1' 命令将类别参数修改为1.修改后custom.data文件如下图。
在这里插入图片描述
4.配置本次yolov3的数据格式
首先将数据集中的Annotations和JPEGImages两个文件夹复制到算法文件夹的data/custom文件夹里，并在此文件夹内创建images和labels两个文件夹。
然后运行voc2yolov3.py文件，生成train.txt和valid.txt文件信息，将数据集划分，即将图片路径保存在两个txt文件中。
之后运行voc_annotation.py对xml标记信息进行处理，处理成下列的txt文件形式。
在这里插入图片描述之后将JPEGImages内的图片全部复制到images文件夹内。

5.训练数据集
在算法文件夹的终端下运行以下命令：

# 训练命令
python train.py --model_def config/yolov3-custom.cfg --data_config config/custom.data --pretrained_weights weights/darknet53.conv.74
# 添加其他参数请见 train.py 文件
    
# 从中断的地方开始训练
python train.py --model_def config/yolov3-custom.cfg --data_config config/custom.data --pretrained_weights checkpoints/yolov3_ckpt_99.pth --epoch

运行过程如下图所示：
在这里插入图片描述如果运行报错：IndexError: index 0 is out of range那么就将算法文件夹下面的config文件内的yolov3-custom.cfg删除，自己重新生成一个。在该文件终端下运行命令：

bash create_custom_model.sh '1'

这里强烈建议使用带GPU的电脑进行训练，用CPU训练实在太慢了…

6.测试结果
训练完成后运行如下命令进行测试算法。

python detect.py --image_folder data/imgs/ --weights_path checkpoints/yolov3_ckpt_99.pth --model_def config/yolov3-custom.cfg --class_path data/custom/classes.names