官方教程：

YOLO: Real-Time Object Detection

一、使用预训练模型进行检测

1、安装Darknet:

git clone https://github.com/pjreddie/darknet
cd darknet
make

2、下载预训练权重https://pjreddie.com/media/files/yolov3.weights（打开链接或wget）

https://pjreddie.com/media/files/yolov3.weights

wget https://pjreddie.com/media/files/yolov3.weights

3、运行检测器

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

darknet/data文件夹下有还有其他图片可以进行测试。

data/eagle.jpg, data/dog.jpg, data/person.jpg, or data/horses.jpg!

检测命令和下面这条命令是等同的，如果只是想测试一张图片的话，不需要了解。如果想做其他更多的事情要了解该命令：

./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg

4、多个图像

在提供图像命令部分，使用空格，此时将连续测试多个图像，配置和权重加载完成后可以看到如下提示：

./darknet detect cfg/yolov3.cfg yolov3.weights

Loading weights from yolov3.weights...Done!
Enter Image Path:

可以任选以下路径之一输入：

data/eagle.jpg, data/dog.jpg, data/person.jpg, or data/horses.jpg!

Loading weights from yolov3.weights...Done!
Enter Image Path: data/eagle.jpg
data/eagle.jpg: Predicted in 19.587430 seconds.
bird: 99%
Enter Image Path:

然后可以再次输入路径,使用ctrl-c或命令有错误时可以退出程序。

5、改变检测阈值

默认情况下，yolo仅显示检测到的置信度为0.25或者更高的对象，可以通过将-thread <val>标志传递给yolo更改设置，改为0表示显示所有检测。

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg -thresh 0

6、微型yolov3

yolov3-tiny非常小的模型用于受限环境，使用此模型，下载权重：

wget https://pjreddie.com/media/files/yolov3-tiny.weights

运行检测器

./darknet detect cfg/yolov3-tiny.cfg yolov3-tiny.weights data/dog.jpg

Loading weights from yolov3-tiny.weights...Done!
data/dog.jpg: Predicted in 0.771317 seconds.
dog: 57%
car: 52%
truck: 56%
car: 62%
bicycle: 59%

小的模型训练时间明显提升，本机测试时间从17～19s降到0.77s。

二、摄像头实时检测

1.运行此演示，需要cuda和opencv，安装教程如下：

cuda教程:（真心推荐该教程，按头安利）

深度学习必备NVIDIA三件套环境，大佬同学写了不错的教程，推荐给大家，祝大家科研顺利：

NVIDIA三件套环境配置 - PleasureReceiver

NVIDIA三件套安装问题汇总 - PleasureReceiver

这两篇文章+百度解决所有问题，本人使用该教程多次成功安装三件套。

opencv教程：

在ubuntu16.04下安装opencv3.4.10（超详细测试成功）_再打三年球的博客-CSDN博客_opencv-3.4.10压缩包下载

此方法安装依赖的时候，E: 无法定位软件包 libjasper-dev，使用下面方法的方式安装依赖。

ubuntu安装opencv的正确方法_普通网友的博客-CSDN博客_opencv ubuntu

 2.编译 Darknet with CUDA and OpenCV

(1)with cuda

修改Makefile

GPU=1

默认在0号显卡运行，如果想换卡，添加参数-i， -i <index>，eg:

./darknet -i 1 imagenet test cfg/alexnet.cfg alexnet.weights

如果使用CUDA编译但是又想使用CPU，使用命令 -nogpu，eg:

./darknet -nogpu imagenet test cfg/alexnet.cfg alexnet.weights

(2)with opencv

Darknet默认使用stb_image.h加载图像，想要使用更多格式支持就要改用opencv，使用opencv不需要将图像保存到磁盘就可以查看图像和检测结果。

同理修改Makefile

OPENCV=1

修改完后，需要重新make以下工程，报错：是cudann版本问题，官网有更新对应的文件

./src/convolutional_layer.c:153:13: error: ‘CUDNN_CONVOLUTION_FWD_SPECIFY_WORKSPACE_LIMIT’ undeclared (first use in this function); did you mean ‘CUDNN_CONVOLUTION_FWD_ALGO_DIRECT’?
             CUDNN_CONVOLUTION_FWD_SPECIFY_WORKSPACE_LIMIT,
             ^~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
             CUDNN_CONVOLUTION_FWD_ALGO_DIRECT
compilation terminated due to -Wfatal-errors.
Makefile:90: recipe for target 'obj/convolutional_layer.o' failed
make: *** [obj/convolutional_layer.o] Error 1

如何解决pjreddie版darknet不能使用cudnn8编译的问题_Arnold-FY-Chen的博客-CSDN博客_./src/convolutional_layer.c:153:13: error: 鈥楥udnn_

可以去官网找到相应文件进行替换：

GitHub - arnoldfychen/darknet: Convolutional Neural Networks

又有new bug：opencv版本问题，本人安装的opencv是3.4.10

./src/image_opencv.cpp:63:20: error: conversion from ‘cv::Mat’ to non-scalar type ‘IplImage {aka _IplImage}’ requested
     IplImage ipl = m;
                    ^
compilation terminated due to -Wfatal-errors.
Makefile:87: recipe for target 'obj/image_opencv.o' failed
make: *** [obj/image_opencv.o] Error 1

​

DarkNet——OpenCV版本遇到的问题_Captain_zp的博客-CSDN博客

new new bug；

nvcc fatal   : Unsupported gpu architecture 'compute_30'
Makefile:93: recipe for target 'obj/convolutional_kernels.o' failed
make: *** [obj/convolutional_kernels.o] Error 1

这篇cadn教材有提到过这个bug，把Makefile里的配置修改一下

如何解决pjreddie版darknet不能使用cudnn8编译的问题_Arnold-FY-Chen的博客-CSDN博客_./src/convolutional_layer.c:153:13: error: 鈥楥udnn_

参考csdn教程：本教程指出，Makefile文件中的NVCC也要修改，NVCC=/usr/local/cuda-9.0/bin/nvcc，原为 NVCC = nvcc，cuda后面的紧跟自己的cuda版本，如cuda-9.0，cuda-10.0等

Ubuntu18.04下YOLOv3详解——搭建、训练、测试、评估_夜夜coding到天明的博客-CSDN博客_yolo v3 imx8

再次make后成功，然后使用 imtest 例程测试图片加载和显示：

./darknet imtest data/eagle.jpg

3.现在cuda和opencv编译完成，运行命令：

./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights

YOLO 将显示当前的 FPS 和预测的类别，以及在其上绘制边界框的图像

 如果连接了多个摄像头，可以添加参数-c <num>，选择摄像头，opencv有指令可以查看摄像头编号，笔记本自带摄像头默认是0。

如果 OpenCV 可以读取视频，也可以在视频文件上运行它：

./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights <video file>

测试了一下本人手机拍摄的视频.mp4文件，对文件没有做任何处理

 三、VOC数据集上训练

1.下载数据集，VOCdevkit/ 中包含所有 VOC 训练数据。

wget https://pjreddie.com/media/files/VOCtrainval_11-May-2012.tar
wget https://pjreddie.com/media/files/VOCtrainval_06-Nov-2007.tar
wget https://pjreddie.com/media/files/VOCtest_06-Nov-2007.tar
tar xf VOCtrainval_11-May-2012.tar
tar xf VOCtrainval_06-Nov-2007.tar
tar xf VOCtest_06-Nov-2007.tar

2.生成labels文件

wget https://pjreddie.com/media/files/voc_label.py
python voc_label.py

几分钟后完成，此时文件结构如下：

2007_test.txt   VOCdevkit
2007_train.txt  voc_label.py
2007_val.txt    VOCtest_06-Nov-2007.tar
2012_train.txt  VOCtrainval_06-Nov-2007.tar
2012_val.txt    VOCtrainval_11-May-2012.tar

Darknet 需要一个文本文件，其中包含您要训练的所有图像。在此示例中，使用除 2007 测试集之外的所有内容进行训练，以便可以测试模型。运行：

cat 2007_train.txt 2007_val.txt 2012_*.txt > train.txt

4.修改 Pascal 数据的 Cfg

更改 cfg/voc.data 配置文件以指向自己的数据， <path-to-voc>修改为自己的地址：

  1 classes= 20
  2 train  = <path-to-voc>/train.txt
  3 valid  = <path-to-voc>2007_test.txt
  4 names = data/voc.names
  5 backup = backup

5.下载预训练的卷积权重

wget https://pjreddie.com/media/files/darknet53.conv.74

6.训练模型

./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74

训练过程中在backup文件中生成权重文件，本人用时差不多一天，但是模型训练不好，IOU为nan，正常情况应该是一个接近1的值，git的issue里有类似情况，需要进行优化。

GitHub - pjreddie/darknet: Convolutional Neural Networks

模型训练完，可以进行检测，单图检测，选出一张图像放入darknet文件夹下，然后运行：

./darknet detector test cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_10000.weights 000275.jpg

 然后使用测试集的全部图像进行预测，进而得出准确率。

./darknet detector valid cfg/voc.data cfg/yolov3-voc.cfg backup/yolov3-voc_10000.weights

简单记录了一下安装配置测试过程，后面还有很多工作要做，如：yolov3测试自己数据集，优化测试VOC数据集，测试coco数据集等等～后面继续更新记录