david8862/keras-YOLOv3-model-set

解決的問題

本專案提供基於 YOLO（You Only Look Once）系列模型的完整物件檢測流程。透過在 TensorFlow Keras 框架中提供多種預設配置的骨幹網路、檢測頭與損失函數，簡化物件檢測系統的實作、訓練與部署流程。

工作原理

此流程整合了電腦視覺工作流程的多個階段：

• 模型建構：使用者可自由組合各種骨幹網路（如 CSPDarknet53、MobileNet 或 EfficientNet）與不同 YOLO 檢測頭（v2、v3、v4），建立自訂架構。
• 資料處理：內建工具可將 Pascal VOC 與 COCO 格式的資料集轉換為自訂標註格式，並支援可視化。
• 訓練：支援多尺度輸入、Mosaic 資料增強、動態學習率衰減等進階訓練技術。同時支援透過 tf.distribute.MirroredStrategy 實作多 GPU 訓練。
• 後處理：實作多種邊界框優化技術，包括 SoftNMS、DIoU-NMS 與 Weighted-Boxes-Fusion（WBF）。
• 部署：支援將 Darknet 權重轉換為 Keras 模型，並導出為 TensorFlow Lite 或 MNN 格式，用於裝置端推論。

適用對象

專為需要靈活、基於 Keras 的 YOLO 物件檢測實作之開發者與研究人員設計，特別適合希望在邊緣裝置上部署模型，或想嘗試不同骨幹網路架構與損失函數的使用者。

主要亮點

• 廣泛的架構支援：涵蓋大量骨幹網路（如 VGG16、Xception、GhostNet 等）與 YOLO 版本（v2、v3、v4）。
• 多樣化的損失函數：支援多種定位損失，包括 GIoU、DIoU、CIoU 與 SIoU。
• 部署就緒：內建支援 TFLite 與 MNN Float32/UInt8 推論。
• 進階訓練工具：支援 Mosaic 與 GridMask 增強、從 ImageNet 進行遷移學習，以及模型剪枝（適用於 TF 1.x）。