YOLOv3口罩检测模型加载报错求助：OpenCV解析weights文件失败

一、解决模型加载解析错误 #

你遇到的Failed to parse NetParameter file错误，可从以下方向排查修复：

1. 检查文件路径有效性 #

• 确认yolov3_custom.cfg和yolov3_custom_4000.weights的实际位置：
  • 若文件和测试脚本在同一目录，直接写文件名即可：

    net = cv2.dnn.readNetFromDarknet('yolov3_custom.cfg', 'yolov3_custom_4000.weights')
    

  • 若用相对路径（如Downloads文件夹），需保证路径指向正确，Windows系统建议用绝对路径：

    net = cv2.dnn.readNetFromDarknet('yolov3_custom.cfg', r'C:\Users\你的用户名\Downloads\yolov3_custom_4000.weights')
    

• 可先验证路径是否正确：

  import os
  print(os.path.exists('yolov3_custom.cfg'))
  print(os.path.exists(r'Downloads\yolov3_custom_4000.weights'))
  

2. 确认文件未损坏 #

对比Colab中训练生成的weights文件大小与本地下载的文件大小，若不一致，重新下载（建议用浏览器直接下载，避免中断）。

3. 保证cfg与weights文件匹配 #

训练时使用的yolov3_custom.cfg必须和测试时完全一致：

• 检查cfg文件中[yolo]层的classes值是否为2（对应你的两类检测），filters值是否为(2+5)*3=21，训练时修改过的cfg不能随意替换。

4. 调整OpenCV加载方式或版本 #

• 尝试换用readNet方法并指定框架：

  net = cv2.dnn.readNet('yolov3_custom_4000.weights', 'yolov3_custom.cfg', 'darknet')
  

• 若为版本兼容问题，升级到最新稳定版：

  pip install --upgrade opencv-python opencv-contrib-python
  

代码冗余优化 #

你的测试代码存在重复的检测逻辑，可简化为一次检测后执行NMS：

boxes =[]
confidences = []
class_ids = []

for output in layerOutputs:
    for detection in output:
        score = detection[5:]
        class_id = np.argmax(score)
        confidence = score[class_id]
        if confidence > 0.5:  # 统一置信度阈值
            center_x = int(detection[0] * width)
            center_y = int(detection[1] * hight)
            w = int(detection[2] * width)
            h = int(detection[3]* hight)
            x = int(center_x - w/2)
            y = int(center_y - h/2)
            boxes.append([x,y,w,h])
            confidences.append(float(confidence))
            class_ids.append(class_id)

# 仅执行一次NMS
indexes = cv2.dnn.NMSBoxes(boxes, confidences, 0.8, 0.4)

二、查看模型准确率 #

1. 查看训练日志 #

Colab训练时，Darknet会生成train.log文件，里面包含每轮训练的mAP（平均精度均值）、precision（精确率）、recall（召回率）等指标，直接查看该日志即可。

2. 用Darknet验证命令生成结果 #

在Colab中运行验证命令，针对验证集计算准确率：

./darknet detector valid data/obj.data cfg/yolov3_custom.cfg backups/yolov3_custom_4000.weights

执行后会在results文件夹下生成每个类别的精度结果，以及整体的mAP值。

3. 自定义代码计算准确率 #

若需本地计算，可编写代码遍历验证集：

1. 读取每张验证集图片和对应的标注框（格式通常为class_id x_center y_center width height）；
2. 用模型对图片检测，得到预测框；
3. 计算预测框与真实框的IOU（交并比），设定阈值（如0.5）判断TP、FP、FN；
4. 基于统计结果计算精确率、召回率和mAP。

内容的提问来源于stack exchange，提问作者SoManyBugssssss