yolo实现车辆识别

利用yolo实现简单的车辆识别，从随机初始化的权重训练一个YOLO模型是非常重要的，需要大量的数据集和大量的计算资源，所以我们在这个练习中使用了预训练的模型参数。你也可以尝试用自己的数据集对YOLO模型进行微调。

import argparse
import os
import matplotlib.pyplot as plt
from matplotlib.pyplot import imshow
import scipy.io
import scipy.misc
import numpy as np
import pandas as pd
import PIL
import tensorflow as tf
from keras import backend as K
from keras.layers import Input Lambda Conv2D
from keras.models import load_model Model
import cv2

from yad2k.models.keras_yolo import yolo_head yolo_boxes_to_corners preprocess_true_boxes yolo_loss yolo_body

import yolo_utils

# %matplotlib inline
def yolo_filter_boxes（box_confidence  boxes box_class_probs threshold = 0.6）:
    “““
    通过阈值来过滤对象和分类的置信度。

    参数：
        box_confidence  - tensor类型，维度为（191951）包含19x19单元格中每个单元格预测的5个锚框中的所有的锚框的pc （一些对象的置信概率）。
        boxes - tensor类型，维度为（191954），包含了所有的锚框的（pxpyphpw ）。
        box_class_probs - tensor类型，维度为（1919580），包含了所有单元格中所有锚框的所有对象（ c1c2c3，···，c80 ）检测的概率。
        threshold - 实数，阈值，如果分类预测的概率高于它，那么这个分类预测的概率就会被保留。

    返回：
        scores - tensor 类型，维度为（None），包含了保留了的锚框的分类概率。
        boxes - tensor 类型，维度为（None4），包含了保留了的锚框的（b_x b_y b_h b_w）
        classess - tensor 类型，维度为（None），包含了保留了的锚框的索引

    注意：“None“是因为你不知道所选框的确切数量，因为它取决于阈值。
          比如：如果有10个锚框，scores的实际输出大小将是（10）
    “““

    #第一步：计算锚框的得分
    box_scores  = box_confidence * box_class_probs

    #第二步：找到最大值的锚框的索引以及对应的最大值的锚框的分数
    box_classes = K.argmax（box_scores axis=-1）
    box_class_scores = K.max（box_scores axis=-1）

    #第三步：根据阈值创建掩码
    filtering_mask = （box_class_scores >= threshold）

    #对scores boxes 以及 classes使用掩码
    scores = tf.boolean_mask（box_class_scoresfiltering_mask）
    boxes = tf.boolean_mask（boxesfiltering_mask）
    classes = tf.boolean_mask（box_classesfiltering_mask）

    return scores  boxes  classes

# with tf.Session（） as test_a:
#     box_confidence = tf.random_normal（[191951] mean=1 stddev=4 seed=1）
#     boxes = tf.random_normal（[191954]  mean=1 stddev=4 seed=1）
#     box_class_probs = tf.random_normal（[19 19 5 80] mean=1 stddev=4 seed = 1）
#     scores boxes classes = yolo_filter_boxes（box_confidence boxes box_class_probs threshold = 0.5）
#
#     print（“scores[2] = “ + str（scores[2].eval（）））
#     print（“boxes[2] = “ + str（boxes[2].eval（）））
#     print（“classes[2] = “ + str（classes[2].eval（）））
#     print（“scores.shape = “ + str（scores.shape））
#     print（“boxes.shape = “ + str（boxes.shape））
#     print（“classes.shape = “ + str（classes.shape））
#
#     test_a.close（）

def iou（box1 box2）:
    “““
    实现两个锚框的交并比的计算

    参数：
        box1 - 第一个锚框，元组类型，（x1 y1 x2 y2）
        box2 - 第二个锚框，元组类型，（x1 y1 x2 y2）

    返回：
        iou - 实数，交并比。
    “““
    #计算相交的区域的面积
    xi1 = np.maximum（box1[0] box2[0]）
    yi1 = np.maximum（box1[1] box2[1]）
    xi2 = np.minimum（box1[2] box2[2]）
    yi2 = np.minimum（box1[3] box2[3]）
    inter_area = （xi1-xi2）*（yi1-yi2）

    #计算并集，公式为：Union（AB） = A + B - Inter（AB）
    box1_area = （box1[2]-box1[0]）*（box1[3]-b