YOLO（You only look once）是流行的目标检测模型之一, 原版 Darknet 使用纯 C 编写，不需要安装额外的依赖包，直接编译即可。
CPU环境搭建 (ubuntu 18.04)
1.获取图像检测训练模型
git clone https://github.com/pjreddie/darknet
下载好的darknet程序包如下图所示：
2.编译
cd darknet
make
3.获取训练模型权重 (作者公布的)
wget https://pjreddie.com/media/files/yolov3.weights
如果慢可以网盘下
链接: https://pan.baidu.com/s/1nSPkb792xjaqPOmt2C8Iew 提取码: kjdx
4.测试图片进行分类 (这里dog.jpg 可以换成你自己的图片,放在data目录下)
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
GPU环境搭建 (ubuntu 18.04)
1.获取图像检测训练模型
git clone https://github.com/pjreddie/darknet
2.修改GPU调用配置
- 修改Makefile文件
- cd darknet
- vim Makefile
- GPU=1
- CUDNN=1
当然CUDNN等需要提前配置调试好
3.编译
cd darknet
make
make clean(清除编译)
4.获取训练模型权重 (作者公布的)
wget https://pjreddie.com/media/files/yolov3.weights
如果慢可以网盘下
链接: https://pan.baidu.com/s/1nSPkb792xjaqPOmt2C8Iew 提取码: kjdx
5.测试图片进行分类 (这里dog.jpg 可以换成你自己的图片,放在data目录下)
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
识别效果(对于密集目标会有丢失率)
Yolov3 darknet训练后可能会检测不出物体 或者检测标示错误
sudo ./darknet detect cfg/yolo-obj.cfg yolo-obj_1200.weights data/containership98.jpg
发现检测位置正确，但标示错了
原因是 没有显式得指明你的xx.data文件 而使用了默认的coco.names文件的类别的cfg/coco.data文件
sudo ./darknet detector test cfg/obj.data cfg/yolo-obj.cfg yolo-obj_1200.weights data/containership98.jpg
./darknet detector test cfg/myv3.data cfg/yolov3.cfg backup/yolov3_10000.weights 1.jpg
用这种方式就可以探测显示的是自己的类别了。
https://pjreddie.com/darknet/yolo
上述darknet原版是存在训练后检测不到物体的问题的。 需要加上sudo，就可以显示
https://github.com/AlexeyAB/darknet
AB版darknet 训练后就可以探测得到物体的。
https://blog.csdn.net/u012235003/article/details/54576974