** win10下如何利用自己的数据训练yolov3模型**
Step1-直接copy所有的文件，然后针对自己的实际情况进行相应的修改
Step2-首先利用Labelme标注工具，对自己的数据进行标注（图像放在VOC2007/JPEGImages文件夹下，标注后生成的XML文件放在VOC2007/Annotations文件夹下）
Step3-运行VOC2007文件夹下的split_data.py脚本，对数据进行分割，具体可打开程序看注释。运行之后会在ImageSets/Main文件夹下生成4个.txt文本。
Step4-直接运行annotation.py脚本，将step3生成的.txt文件转化为yolo可以识别的格式，生成3个（2007_test、2007_train、2007_val）.txt文件
注：以上4步为准备工作
Step5-打开yolov3.cfg文件，进行相应的修改。
搜索yolo关键字（总共会出现3出，每一处都如下图一样根据自己实际情况进行修改，这里注意一下，下面的注释是为了方便理解，实际运行的时候去掉，不然编译会出现utf-8的错误）
注意：此外还有需要注意的地方（进行my_train训练之前，对测试参数进行注销）如下图所示
Step6-对my_train.py脚本进行修改并运行训练，具体修改看脚本内容注释。然后运行my_train.py不出意外的话，训练开始，等到训练完毕即可（loss最好训练到10以下)。
Step-7测试训练模型的效果，首先打开yolo.py脚本，具体修改看注释内容。修改完成后，运行yolo_video.py脚本，就可直接进行识别，速度那是嗖嗖的。
是不是看起来很乱，很不准确，因为我只训练了5个周期（只是演示，看一下就可以了）
注：如果你只是想要直接运行yolov3的原始权重，查看原始模型的检测效果
方法如下：
（1）先下载yolov3.weights的权重文件（这个网上资源很多，自行下载）
（2）Cmd下cd到相关文件目录下运行python convert.py yolov3.cfg yolov3.weights model_data/yolo.h5就会在model_data/文件夹下生成yolo.h5文件（运行的是原始的yolov3.cfg文件，不是修改过的）
（3）运行原始非修改过的yolo_video.py文件，cmd下运行python yolo_video.py --image
运行结束直接输入图片路径即可（如果想要直接摄像头实时识别，只需将yolo.py的第174行的vid = cv2.VideoCapture(video_path)改为vid = cv2.VideoCapture(0)即可。
（4）然后运行yolo_video.py即可摄像头识别。
这里yoloV3训练和测试告一段落，接下来是如何将自己训练的模型转成openvino的IR格式加速推理，详细请见下一篇