AlexeyAB DarkNet YOLOv3框架解析与应用实践（一）

标签：github   区域   利用   pascal   base   允许   png   imagenet   linu   

AlexeyAB DarkNet YOLOv3框架解析与应用实践（一）

Darknet:  C语言中的开源神经网络             

Darknet是一个用C和CUDA编写的开源神经网络框架。它速度快，易于安装，支持CPU和GPU计算。您可以在GitHub上找到源代码，也可以在这里阅读更多关于Darknet可以做什么的信息：

1.  Installing Darknet

Darknet易于安装，只有两个可选依赖项：             

OpenCV，如果你想要更广泛的支持图像类型。             

如果你想计算GPU的话，安装CUDA。             

两者都是可选的，所以让我们从安装基本系统开始。我只在Linux和Mac电脑上测试过。

Installing The Base System

首先在这里获取Darknet git存储库。这可以通过以下方式实现：

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

cd darknet

make

如果这有效，你会看到一大堆编译信息飞驰而过：

mkdir -p obj

gcc -I/usr/local/cuda/include/  -Wall -Wfatal-errors  -Ofast....

gcc -I/usr/local/cuda/include/  -Wall -Wfatal-errors  -Ofast....

gcc -I/usr/local/cuda/include/  -Wall -Wfatal-errors  -Ofast....

.....

gcc -I/usr/local/cuda/include/  -Wall -Wfatal-errors  -Ofast -lm....

如果你有任何错误，试着去修正它们？如果一切看起来都编译正确，请尝试运行它！

./darknet

你应该得到输出：

usage: ./darknet

使用CUDA编译             

CPU上的Darknet速度很快，但是GPU上的速度快了500倍！你必须有一个Nvidia的GPU，你必须安装CUDA。我不会详细介绍CUDA的安装，因为它很可怕。             

安装CUDA后，将基本目录中Makefile的第一行更改为：

GPU=1

现在你可以做这个项目，CUDA将被启用。默认情况下，它将在系统的第0个图形卡上运行网络（如果正确安装了CUDA，则可以使用nvidia smi列出图形卡）。如果要更改Darknet使用的卡，可以给它一个可选的命令行标志-i，例如：

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

如果您使用CUDA编译，但出于任何原因希望进行CPU计算，则可以使用-nogpu来代替CPU：

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

用OpenCV编译            

 默认情况下，Darknet使用stb_image.h加载图像。如果你想更多的支持奇怪的格式（像CMYK jpeg），你可以使用OpenCV代替！OpenCV还允许您查看图像和检测，而无需将它们保存到磁盘。             

首先安装OpenCV。如果从源代码处执行此操作，则会很长且很复杂，因此请尝试让包管理器为您执行此操作。            

 接下来，将Makefile的第2行更改为：

OPENCV=1

完成了！尝试一下，首先重新做一个项目。然后使用imtest例程测试图像加载和显示：

./darknet imtest data/eagle.jpg

2. YOLO：实时目标检测

你只看一次（YOLO）是一个最先进的实时物体检测系统。在Pascal Titan X上，它以每秒30帧的速度处理图像，在COCO test-dev上有57.9%的mAP。

与其他检测模型的比较             

YOLOv3非常快速和准确。在0.5 IOU处测得的mAP中，YOLOv3与焦距损失相当，但速度快了约4倍。此外，可以轻松地权衡速度和准确性之间的简单改变模型的大小，无需再训练！

 工作原理             

先前的检测系统重新利用分类器或定位器来执行检测。他们将模型应用于多个位置和比例的图像。图像的高分区域被认为是检测。             

使用完全不同的方法。将单一的神经网络应用于完整的图像。该网络将图像分为多个区域，并预测每个区域的包围盒和概率。这些边界框由预测的概率加权。

与基于分类器的系统相比，我们的模型有几个优点。它在测试时查看整个图像，因此它的预测由图像中的全局上下文通知。它也用单一的网络评估来预测，不像R-CNN这样的系统需要数千张单一的图像。这使得它非常快，比R-CNN快1000倍，比R-CNN快100倍。有关完整系统的详细信息，请参阅我们的论文。

AlexeyAB DarkNet YOLOv3框架解析与应用实践（一）

标签：github   区域   利用   pascal   base   允许   png   imagenet   linu   

原文地址：https://www.cnblogs.com/wujianming-110117/p/12817216.html