总结了一些darknet代码使用的小技巧。
技巧1 两种测试方法
进行测试有两种方法:
方式1:
$ ./darknet detect cfg/yolov4.cfg yolov4.weights data/dog.jpg
方式2:
$ ./darknet detector test ./cfg/coco.data cfg/yolov4.cfg yolov4.weights data/dog.jpg
技巧2 显示检测框信息
将检测结果详细显示,在末尾添加-ext_output即可:
$ ./darknet detector test ./cfg/coco.data cfg/yolov4.cfg yolov4.weights data/dog.jpg -ext_output
检测结果如下:
可以看到,检测每一类别的4个参数均显示出来了,各参数的含义见下表:
left_x | 目标框左上角x坐标 |
top_y | 目标框左上角y坐标 |
width | 目标框的宽度 |
height | 目标框的高度 |
技巧3 设置检测置信度阈值
设置检测目标的置信度阈值thresh:
$ ./darknet detect cfg/yolov4.cfg yolov4.weights data/dog.jpg -thresh 0.1
置信度阈值thresh设置得越低,检测的目标越多,当然虚警则会越多。
技巧4 视频检测
检测视频(本地需要有一个USB摄像头)
$ ./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights
执行指令后,系统会自动识别本地摄像头。这里检测还会显示检测的帧率:
本地视频检测指令如下:
$ ./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights <video file>
这里的<video file>代表本地提前准备好的检测视频。
问题:这里有个疑问,在使用yolov4模型进行视频检测指令时,检测的帧率一直保持在30FPS左右,换成yolov4-tiny模型进行检测,帧率仍然是30FPS左右。竟然没有变化,不知道什么原因?
技巧5 多张图片检测
如果检测多张图片,可以将前面指令中后面图片的路径去掉,即:
$ ./darknet detector test ./cfg/coco.data cfg/yolov4.cfg yolov4.weights
这时会出现Enter Image Path:的提示,输入待检测图片的路径即可。这张检测完后,会继续弹出Enter Image Path:的提示,这样就可以实现多张图片的检测。
技巧6 批量图片检测
批量检测图片,参考这篇:YOLOv3批量测试图片并保存。
技巧7 修改检测显示类别
修改图片显示的检测类别。在训练了自己的数据后,采用如下指令进行测试:
$ ./darknet detect cfg/yolov4-oil.cfg backup/yolov4-oil_final.weights data/test_oil.jpg
往往会发现检测类别没有更改过来。比如检测的桶,但是图片上显示的却是bicycle,尴不尴尬?(如下图所示)
这时候就需要进行操作了:
方法1:修改源码(不推荐)
找到进入整个工程中的main函数(main()函数在src/darknet.c文件中的432行),如果采用指令$ ./darknet detect进行检测(也就是上面这条指令),则需要修改src/darknet.c文件中第498行的test_detector函数的第一个参数,将"cfg/coco.data"修改为自己需要的.data文件,然后重新进行编译即可。(这种方式不推荐,因为换了训练数据集后这里的源码又要改,所以可用下面的方法2)。
方法2:换测试指令(推荐)
换技巧1中的方式2进行检测,即采用$ ./darknet detector test进行检测,由于test后面跟的参数就是.data文件,因此不需要修改就能是识别的标签正确标示:
$ ./darknet detector test cfg/oil_test.data cfg/yolov4-oil.cfg backup/yolov4-oil_final.weights data/test_oil.jpg
技巧8 recall的计算
recall的计算:
$ ./darknet detector recall cfg/oil_test.data cfg/yolov4/yolov4-zydz.cfg backup/yolov4-zydz_final.weights
zydz.data文件的内容如下:
classes= 3
train = data/train.txt
valid = data/test.txt
names = data/oil_test.names
backup = backup
#eval = coco
上面这条指令会读取valid后面的路径,即读取test.txt文件中所对应的图片。
技巧9 mAP的计算(mean average precision)
$ ./darknet detector map cfg/oil_test.data cfg/yolov4-oil.cfg backup/yolov4-oil.weights
结果如下:
当然darknet代码的使用远远不止上面的这些用法,可以阅读源码查看更多的用法。欢迎补充~~~