AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月18日
把 Darknet 的 YOLO 模型转到 TensorFlow 上运行、微调和导出。
Darkflow 是一个 Python 工具,用于把 Darknet 框架训练的 YOLO 目标检测模型翻译成 TensorFlow 计算图。它可以加载已有的 .weights 权重文件,在 TensorFlow 中做前向推理、重新训练或微调,并能导出常量图供移动设备使用。
推荐指数
适合需要把 YOLO 权重迁移到 TensorFlow 的老项目,但依赖 TensorFlow 1.0,已不适合新项目直接采用。
总 Star 排名
#1079
雷达追踪的 3,958 个 AI 仓库中
创建于
2016
2016年8月16日
核心亮点
1权重迁移
直接加载 Darknet 的 .weights 和 .cfg 文件,无需重新训练。
2推理与训练
支持前向检测、从头训练、微调和断点续训。
3JSON 输出
检测结果可输出为带类别、置信度和像素坐标的 JSON。
4移动端导出
可导出常量图定义,供 Android 等移动设备使用。
5命令行驱动
主要操作通过 flow 命令加参数完成,上手路径清晰。
适用场景
已有 YOLO 权重想换框架
例如:把 tiny-yolo.weights 加载进 TensorFlow,对 sample_img/ 里的图片做批量检测。
在自己的数据集上微调
例如:用 Pascal VOC 格式的图片和标注,在 tiny-yolo 基础上训练 3 类检测器。
移动端部署验证
例如:导出常量图,配合 TensorFlow Android 示例做端上目标检测。
它是怎么工作的
第 1 步
解析配置
读取 Darknet 的 .cfg 文件,按层定义搭建 TensorFlow 计算图。
第 2 步
加载权重
把 .weights 文件中的参数映射到对应网络层,可只复用部分层。
第 3 步
前向推理
对指定图片文件夹批量检测,输出边界框和置信度。
第 4 步
训练微调
用 --train 指定数据集和标注,训练中保存 checkpoint 到 ckpt/。
第 5 步
导出图
将训练好的图固化为常量图,供移动端加载。
快速上手
- 1
安装
在仓库目录内构建 Cython 扩展,或直接用 pip 安装。
python3 setup.py build_ext --inplace - 2
查看参数
先看 flow 支持哪些选项。
flow --h - 3
跑一次检测
用 tiny-yolo 权重对示例图片做前向推理。
flow --imgdir sample_img/ --model cfg/tiny-yolo.cfg --load bin/tiny-yolo.weights --gpu 1.0 - 4
输出 JSON
在检测命令后加 --json,结果写入 sample_img/out/。
flow --imgdir sample_img/ --model cfg/tiny-yolo.cfg --load bin/tiny-yolo.weights --json
适合谁
- 手上有 Darknet YOLO 权重、想用 TensorFlow 跑推理的开发者
- 需要在自定义数据集上微调 YOLO 的人
- 想把检测模型导出到移动端验证的工程师
不太适合
- 使用 TensorFlow 2.x 或新框架的新项目
- 只想开箱即用做检测、不愿处理旧依赖的人
成熟度
- 活跃度最后推送在 2023 年,依赖 TensorFlow 1.0,更新基本停滞。
- 文档README 覆盖安装、推理、训练和导出,但偏命令示例。
- 社区约 6100 star、2000 fork,但开放 issue 达 641 个。
- 上手难度需自行准备权重和配置,且受旧版 TensorFlow 环境限制。
同类项目怎么选
- AlexeyAB/darknet直接在 Darknet 原生框架上训练和推理,不经过 TensorFlow。
- ultralytics/yolov5基于 PyTorch 的现代 YOLO 实现,工具链和文档更新。
- tensorflow/models官方 TensorFlow 目标检测 API,模型和导出流程更完整。
使用前注意
- · 依赖 Python3、TensorFlow 1.0、numpy 和 opencv 3,环境较旧。
- · 采用 GPL-3.0 许可,商用集成前需确认许可影响。
- · 权重文件需自行从 Darknet 官方或 README 提供的网盘获取。
- · 开放 issue 较多且维护不活跃,遇到问题可能无人响应。
