# yolo+OpenCV目标检测 QQ飞车手游赛车及弯道识别

**Repository Path**: asoutherncat/qqspeedyolo

## Basic Information

- **Project Name**: yolo+OpenCV目标检测 QQ飞车手游赛车及弯道识别
- **Description**: keras_yolov3+OpenCV目标检测，可识别QQ飞车手游内赛车和弯道，支持图片和视频的检测与输出。本视觉小白的初次尝试，经过种种困难后，终于训练出了自己标注的目标检测模型，实属不易，在此记录一下训练的整体步骤，还有很多不足，欢迎学习交流。
- **Primary Language**: Python
- **License**: MulanPSL-2.0
- **Default Branch**: master
- **Homepage**: https://gitee.com/asoutherncat
- **GVP Project**: No

## Statistics

- **Stars**: 9
- **Forks**: 2
- **Created**: 2022-07-26
- **Last Updated**: 2025-03-03

## Categories & Tags

**Categories**: Uncategorized

**Tags**: 目标检测, AI, QQ飞车手游, Yolo, OpenCV

## README

# yolo+OpenCV目标检测 QQ飞车手游赛车及弯道识别

原文链接：https://gitee.com/asoutherncat/qqspeedyolo/blob/master/README.md
GitHub：https://github.com/ASouthernCat/yolo-OpenCV-qqspeed-Object-Detection
#### 介绍
   keras_yolov3+OpenCV目标检测，可识别QQ飞车手游内赛车和弯道，支持图片和视频的检测与输出。本视觉小白的初次尝试，经过种种困难后，终于训练出了自己标注的目标检测模型，实属不易，在此记录一下训练的整体步骤，还有很多不足，欢迎学习交流。视频效果展示请移步b站：https://space.bilibili.com/480493680

#### 环境配置
1.  系统：Windows11/10
2.  python3.7.8
3.  包（Package）
    Keras	2.2.4
    Pillow	5.1.0
    opencv-contrib-python	4.6.0.66
    numpy	1.21.6
    protobuf	3.20.1
    tensorboard	1.13.1
    tensorflow	1.13.1
    

#### 整体代码结构
 
- 整体代码结构：

    ![输入图片说明](%E4%BB%A3%E7%A0%81%E6%95%B4%E4%BD%93%E7%BB%93%E6%9E%84.png)

#### 训练过程记录
- 成功啦！！！！ 
- 过程回顾：
- 打标很重要：labelimg 安装很简单，在terminal窗口pip install labelimg即可，装好后，直接输入labelimg就能启动
    ![输入图片说明](label1.png)
    ![输入图片说明](label2.png)
- 打标看看就会了，具体也可以参考这篇博文：https://blog.csdn.net/qq_45504119/article/details/105033492
- ![输入图片说明](%E6%89%93%E6%A0%87.png)
 
- 数据集目录结构：
  
    ![输入图片说明](%E6%95%B0%E6%8D%AE%E9%9B%86%E7%9B%AE%E5%BD%95%E7%BB%93%E6%9E%84.png)
  
- 如果是视频，也需打标，用下面这个程序可以转换为一张张图片：video_img_tool.py

    ![输入图片说明](tool_video.png)
- 打完标后的文件夹里内容如下：

    ![输入图片说明](4.png)

    ![输入图片说明](5.png)

- 打完标后，运行voc.py 在ImageSets/Main文件夹生成4个txt文件：
    
    ![输入图片说明](6.png)

- 接着修改、运行voc_annotation.py
    
    ![输入图片说明](7.png)

- 修改classes为自己打标时所设置的标签

    ![输入图片说明](8.png)

- 运行完后生成这3个文件：

    ![输入图片说明](9.png)

- 到此，数据集就整理好了
 
- 准备训练！！！
- 准备好权重文件yolov3.weights，官网下载地址：https://pjreddie.com/media/files/yolov3.weights
- 先将其转为Keras适用的h5文件：python convert.py yolov3.cfg yolov3.weights model_data/yolo_weights.h5
- 注意：yolov3.cfg在这里先不用修改；h5文件名命名为yolo_weights.h5，因为后面的训练程序中要用到，默认为这个。
 
- 接着voc_classes.txt 和 yolo_anchors.txt 的内容：

    ![输入图片说明](10.png)
- 改成自己的标签名就行
 
- yolo_anchors.txt 的值用kmeans.py可生成：
- yolo中anchor值的解释 | https://zhen8838.github.io/2019/03/12/yolo-anchor/#:~:text=yolo%E4%B8%ADanchor%E5%80%BC%E7%9A%84%E8%A7%A3%E9%87%8A anchor

    ![输入图片说明](anchor.png)
- k=9，对应生成yolo_anchors.txt；k=6，对应生成tiny_yolo_anchors.txt，这里cluster_number设置成9就行。同时运行窗口也会有打印输出，若没有写入文件，可参照原文件内容格式自行复制修改。
 
- 好了，训练！！！
- 检查一下train.py 里要用到的文件是否配齐。
- log_dir是生成权重文件的路径，最终的成果就存在这里！

    ![输入图片说明](log_dir.png)
 
- 运行train.py
- 也可以在pycharm里运行，在小黑窗运行感觉高级些[doge]

    ![输入图片说明](train.png)
 
- 训练中：

    ![输入图片说明](xunlianzhong.png)

- 训练有两个阶段，第二阶段最耗时间：

    ![输入图片说明](2jieduan.png)

- 训练完成啦！！！！！！
- 耗费7个小时，我的数据集只有200来张，电脑配置：小新AIR15 R7_4800U。

    ![输入图片说明](success.png)

- log/000文件夹里的trained_weights_final.h5文件就是我们要的。yeah！
    
    ![输入图片说明](success_result.png)

- 测试一下看能不能用：
- 命令：python yolo_video.py --image

    ![输入图片说明](test.png)

- 好耶！！！ 功夫没白费

- 官方的视频保存有问题，尝试过多次，但结果一直是文件损坏，没找到解决办法，所以用了其它的程序来写（利用OpenCV），但是又得把生成的trained_weights_final.h5权重文件转为weights格式：
- h5_weights转换:

    ![输入图片说明](h5zhuanhuan.png)

- voc_classers.txt、yolo_anchors.txt的内容均修改为和训练时用到的对应文件内容相同，而yolov3.cfg还需修改的东西较多，为减少差错，用keras-yolo3-master的yolov3.cfg，复制过来后，修改3个yolo层的内容：
- 大概在607、693、780行。
- 修改filters、anchors、classes，
- filters=3*(classes+5)，我这里classes为2，即标签种类数为2，所以filters为21，anchors也是用训练时生成的值。3层都要同样地修改。

    ![输入图片说明](filters.png)
https://blog.csdn.net/weixin_45392081/article/details/106933516

- 程序主要是修改一下权重文件的路径

    ![输入图片说明](check_weights.png) 

- 检查无误后，运行check_weight.py。OK，生成成功。

    ![输入图片说明](h5_weights_success.png)

- 使用：
- detection_yolo_video.py

    ![输入图片说明](use_weights_video.png)
- pathIn为所要检测的视频路径，pathOut为检测结果输出路径，后3个均为上一步h5转weights时用到的，内容都一致，能对应上就行。
- 运行，等待检测完成。

    ![输入图片说明](test_video.png)

    ![输入图片说明](perfect_result.png)
- 大功告成，非常nice！ https://space.bilibili.com/480493680


#### 参考的大佬博文

1. https://blog.csdn.net/qq_45504119/article/details/105052478
1. https://www.cnblogs.com/yssgxxy/p/13949536.html
1. https://blog.csdn.net/weixin_44747240/article/details/104084273
1. https://blog.csdn.net/weixin_45392081/article/details/106933516



#### 参与贡献

1.  Fork 本仓库
2.  新建 Feat_xxx 分支
3.  提交代码
4.  新建 Pull Request


#### 特技

1.  使用 Readme\_XXX.md 来支持不同的语言，例如 Readme\_en.md, Readme\_zh.md
2.  Gitee 官方博客 [blog.gitee.com](https://blog.gitee.com)
3.  你可以 [https://gitee.com/explore](https://gitee.com/explore) 这个地址来了解 Gitee 上的优秀开源项目
4.  [GVP](https://gitee.com/gvp) 全称是 Gitee 最有价值开源项目，是综合评定出的优秀开源项目
5.  Gitee 官方提供的使用手册 [https://gitee.com/help](https://gitee.com/help)
6.  Gitee 封面人物是一档用来展示 Gitee 会员风采的栏目 [https://gitee.com/gitee-stars/](https://gitee.com/gitee-stars/)