yolov3-tiny检测网络

基于tensorflow实现yolov3-tiny的检测网络，直接加载官方提供的权重文件给模型中的参数赋值，而不是网上说的什么.h5或者是pb模型。 tensorflow版本：1.11 python版本：3.5 文件中包含权重文件，若想要使用纯tensorflow实现yolov的其他版本，可以按照我这个代码来改

import tensorflow as tf
import numpy as np
from PIL import Image ImageDraw ImageFont
import time
import os
import colorsys


def get_anchors（anchors_path）:
    anchors_path = os.path.expanduser（anchors_path）
    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 get_class（class_path）:
    class_path = os.path.expanduser（class_path）
    with open（class_path） as f:
        class_names = f.readlines（）
    class_names = [c.strip（） for c in class_names]
    return class_names


def print_tensor_info（tensor）:
    # print（tensor.name ““ tensor.dtype “shape=“ tensor.get_shape（）.as_list（））
    return


def bn_layer（tensor name=“BatchNormal“ moving_decay=0.9 eps=5e-4 is_trainning=False）:
    shape = tensor.get_shape（）.as_list（）
    param_shape = shape[-1]
    with tf.variable_scope（name）:
        # 声明BN中唯一需要学习的两个参数
        gamma = tf.get_variable（
            “gamma“ shape=param_shape dtype=tf.float32
            initializer=tf.constant_initializer（1）
        ）
        beta = tf.get_variable（
            “beta“ shape=param_shape dtype=tf.float32
            initializer=tf.constant_initializer（0）
        ）
        # 计算整个batch的均值与方差
        axies = list（range（len（shape） - 1））
        batch_mean batch_var = tf.nn.moments（tensor axies name=“moments“）
        # 使用滑动平均值更新均值与方差
        ema = tf.train.ExponentialMovingAverage（moving_decay）
        ema_apply_op = ema.apply（[batch_mean batch_var]）

        def mean_var_with_update（）:
            with tf.control_dependencies（[ema_apply_op]）:
                return tf.identity（batch_mean） tf.identity（batch_var）

        # 训练时，更新均值与方差，测试时使用之前最后一次保存的均值与方差
        mean var = tf.cond（
            tf.equal（is_trainning True） mean_var_with_update
            lambda: （ema.average（batch_mean） ema.average（batch_var））
        ）
        return tf.nn.batch_normalization（tensor mean var beta gamma eps name=“normalize“）


def inference（input_tensor）:
    outputs = []
    with tf.variable_scope（“Conv2d_1“）:
        # 创建卷积核
        kernel = tf.get_variable（
            “kernel“ shape=[3 3 3 16] dtype=tf.float32
            initializer=tf.truncated_normal_initializer（stddev=0.1））
        # 进行卷积运算，对卷积后的结果进行批归一化
        conv = tf.nn.conv2d（input_tensor kernel [1 1 1 1] padding=“SAME“）
        normalize_tensor_1 = bn_layer（conv）
        # 使用激活函数对结果进行非线性处理
        conv_1 = tf.nn.leaky_relu（normalize_tensor_1 alpha=0.1 name=“leaky_relu“）
        print_tensor_info（conv_1）
    with tf.variable_scope（“Max_pooling2d_1“）:
        pool_1 = tf.nn.max_pool（
            conv_1 ksize=[1 2 2 1] strides=[1 2 2 1] padding=“VALID“ name=“maxpool“
        ）
        print_tensor_info（pool_1）
    with tf.variable_scope（“Conv2d_2“）:
        kernel = tf.get_variable（
            “kernel“ shape=[3 3 16 32] d

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件      21540  2018-11-09 15:14  yolov3_tiny_weights.py

     文件   35434956  2018-05-10 17:20  yolov3-tiny.weights

----------- ---------  ---------- -----  ----

             35456496                    2