在bubbliiing大佬代码的基础上进行了修改，添加了部分注释。增加了模型文件.pth格式转.onnx格式，并使用python-opencv读取。

• .pth格式的预训练模型来源于bubbliiing。
  

• 链接：https://pan.baidu.com/s/1ncREw6Na9ycZptdxiVMApw
• 提取码：appk

• .onnx格式的预训练模型如下。
  

• 链接：https://pan.baidu.com/s/1lZCHjc1ZVKW-m3PXRyOFxw
• 提取码：l2ov

标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotations中。 图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。

在model_data文件夹下新建name_classes.txt文件，写入自己数据集的类别信息。修改utils/anchors_cluster.py文件内数据集指向根目录，运行：

cd utils
python anchors_cluster.py

将生成的anchors按照原格式填入model_data/yolo_anchors.txt内。若数据集规模较小，直接使用默认anchors参数。

修改voc_annotation.py文件下classes_path的指向，运行：

python voc_annotation.py

生成的数据集划分及标签文件均存放在VOCdevkit\VOC2007\ImageSets\Main文件夹下。

将下载好的.pth格式预训练模型yolo_weights.pth文件放在model_data文件夹下。修改train.py下的classes_path及model_path指向，运行：

python train.py

修改utils/utils_yolo.py文件中的model_path及classes_path，指向训练好的模型及类别信息。 在predict_images.py文件下输入图片路径，运行：

python predict_images.py

修改calculate_map.py文件中的classes_path,运行：

python calculate_map.py

修改utils/utils_yolo.py文件中的model_path及classes_path，指向训练好的模型及类别信息。 在predict_images.py文件下输入图片路径，运行：

python predict_videos.py

修改pth_to_onnx.py文件中的类别存储路径，pth文件存储路径，onnx文件存储路径，运行：

python pth_to_onnx.py

修改utils_cv2/utils_yolo.py文件中的model_path及classes_path，指向.onnx格式的模型及类别信息。在predict_images_cv2.py文件下输入图片路径，运行：

python predict_images_cv2.py

https://github.com/bubbliiiing/yolo3-pytorch