Yolo v4系列学习（六）darknet代码的使用小技巧

        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～～～