關于這兩個模型的環境配置，如何跑通demo來檢測一張圖檔等内容，在我之前的部落格有詳細介紹
https://blog.csdn.net/hesongzefairy/article/details/105228434 （Windows10下快速複現keras yolov3）
https://blog.csdn.net/hesongzefairy/article/details/105238349（Windows10下快速複現Keras Faster RCNN）
keras下的代碼比較簡潔，我就以YOLOv3訓練自己的資料來舉個例子，Faster RCNN與之類似
訓練方法參考了up主的視訊，非常感謝https://www.bilibili.com/video/BV1XJ411D7wF
友善起見采用其提供的項目位址來實作訓練自己的資料集https://github.com/bubbliiiing/yolo3-keras
Step1：使用labelimg标記資料
up主的視訊有很詳細的介紹如何标記資料，不再贅述如何使用labelimg
Step2：處理資料集
使用的是VOC2007資料集格式，我們将标記好的檔案以及原圖資料分别存放在\VOCdevkit\VOC2007\路徑下
然後準備運作voc2yolo3.py檔案，但是可能會報錯提示找不到檔案路徑，自己根據情況修改路徑即可，運作之後會修改ImageSets\Main\train.txt檔案中的資料，其實就是存放訓練檔案名字的地方。
需要注意的是，在model_data檔案夾中有一個voc_classes.txt，需要根據自己的類别作相應修改
最後準備運作voc_annotation.py生成一個資料的映射關系，同樣需要先做修改，classes需要修改
運作之後，可以檢視2007_train中的資料映射關系，其實就是資料的絕對路徑
這樣資料的處理就完成了
Step3：啟動訓練
修改train.py中的一些參數，位置在代碼134行main函數後
如果是按照上面的步驟來設定檔案夾的名稱，路徑基本上不用修改
這裡再提示一下，給的資料集必須大于10張才能正常訓練
Step4：啟動預測
将log檔案中儲存的權重檔案last1.h5拿出來放到model_data中，然後修改yolo.py中的model_path為last1.h5對應的路徑和名稱以及classes_path，最後就可以運作predict.py來測試一幅圖像的預測結果了。