（1）处理数据集
YOLO训练需要这样的三个文件：
annotation_path = 'data.txt'
classes_path = 'model_data/fei_classes.txt'
anchors_path = 'model_data/fei_anchors.txt'
data.txt:
把数据集里自带的表格信息转化成.txt文件，需要注意的一点是因为YOLO训练的时候用到的是(x0,y0,x1,y1),而数据集里给的信息是(x0,y0,w,h)。因为有标记的数据太少，对数据集进行扩充，分别旋转90,180,270度。
fei_classes.txt：
fei_anchors.txt：
用k-means方法，对表格中的w和h得到9个anchors。注意，因为YOLO训练的时候是把1024的图片先缩小到416×416的，所以这里的输入是先变为416×416时相对的w和h，对这样大小的高和宽进行聚类。
yolo3训练和测试参考的是这里的程序：
https://github.com/qqwweee/keras-yolo3
训练完之后保存整个模型（原程序是保存权值，这里保存模型是为了测试的时候）：
model.save(log_dir + ‘trained_model.h5’)
测试的时候在yolo.py里边执行下载模型：
self.yolo_model = load_model(model_path, compile=False)
出现的问题：
保存模型，再下载模型时，自己的模型比网上直接下载的yolo.h5多了4层（input_2;input_3,input_4,yolo_loss）,这样在load_model这句会出错。开始想到了两种解决办法：在保存的时候修改程序，使之保存成和yolo.h5一样的；或者在测试的时候修改，把多出来的几层删掉。
最终得到的结果（一个框框是标签，一个框框是预测的结果，可以看出效果还是不错的）：
