Darknet框架3：YOLOV4-Darknet环境搭建以及测试coco2017的mAP,FPS！

YOLOV4-Darknet环境搭建以及测试coco2017的mAP,FPS！

• YOLOv3网络结构图如下：

一. YOLOV4网络结构

• 推荐：AlexeyAB大神
• 推荐：深入浅出Yolo系列之Yolov3&Yolov4核心基础知识完整讲解！
• Darknet框架1：YOLOV3-Darknet环境搭建+训练COCO数据集了解！
• Darknet框架2：YOLOV3-使用Darknet训练检测自定义模型+COCO数据集！
• 目标检测算法YOLOV3之Keras实现-转
• yolov3训练自己的数据集——第一次实操完整记录(推荐！)

• YOLOv4网络结构图如下：

Yolov4的结构图和Yolov3相比，因为多了CSP结构，PAN结构，如果单纯看可视化流程图，会觉得很绕，但是在绘制出上面的图形后，会觉得豁然开朗，其实整体架构和Yolov3是相同的，不过使用各种新的算法思想对各个子结构都进行了改进。
Yolov4的五个基本组件：

• 1. CBM：Yolov4网络结构中的最小组件，由Conv+Bn+Mish激活函数三者组成。
• 2. CBL：由Conv+Bn+Leaky_relu激活函数三者组成。
• 3. Res unit：借鉴Resnet网络中的残差结构，让网络可以构建的更深。
• 4. CSPX：借鉴CSPNet网络结构，由三个卷积层和X个Res unint模块Concate组成。
• 5. SPP：采用1×1，5×5，9×9，13×13的最大池化的方式，进行多尺度融合。

其他基础操作：

• 1. Concat：张量拼接，维度会扩充，和Yolov3中的解释一样，对应于cfg文件中的route操作。
• 2. Add：张量相加，不会扩充维度，对应于cfg文件中的shortcut操作。

二. YOLOV4环境搭建

2.1. darknet的配置

1. 本机的软硬件环境！

• Ubuntu18.04
• CUDA-version: 10010 (10020), cuDNN: 7.6.4,
• OpenCV version: 4.1.0

2. 安装CUDA和CUDNN！

• Ubuntu16.04&18.04系统安装nvidia驱动,cuda,cudnn以及安装gcc！

3. 安装opencv！

• 在ubuntu下安装opencv4.1.0详细步骤

############################# 1、安装依赖包
sudo apt-get install build-essential cmake unzip pkg-config
sudo apt-get install libjpeg-dev libpng-dev libtiff-dev
sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev libv4l-dev
sudo apt-get install libxvidcore-dev libx264-dev
sudo apt-get install libgtk-3-dev
sudo apt-get install libatlas-base-dev gfortran
sudo apt-get install python3-dev
############################# 3、创建工作文件夹
mkdir build
cd build
############################# 3、cmake一下
make -j8
sudo make install
############################# 4、改变环境变量
sudo vim /etc/ld.so.conf.d/opencv.conf
############################# 5、创建的文件中加上/usr/local/lib，在运行以下命令
sudo ldconfig
############################# 6、测试
cd ~/下载/opencv/samples/cpp/example_cmake
cmake .
make
./opencv_example
############################# 7、如果没有摄像头将capture.open(0)改为capture.open(". ./. ./data/tree.avi")

• Ubuntu16.04安装cuda-8.0+cudnn5.1+opencv-3.1+caffe+本地浏览器访问服务器jupyter notebook设置

4. 下载darknet！

• git clone https://github.com/AlexeyAB/darknet

4.1. 配置makefile，下载完后，进行解压，然后进入darknet目录，找到makefile文件，打开：sudo gedit Makefile，然后修改以下位置：

# set GPU=1 and CUDNN=1 to speedup on GPU
# set CUDNN_HALF=1 to further speedup 3 x times (Mixed-precision on Tensor Cores) GPU: Volta, Xavier, Turing and higher
# set AVX=1 and OPENMP=1 to speedup on CPU (if error occurs then set AVX=0)
GPU=1
CUDNN=1
CUDNN_HALF=1
OPENCV=1

# NVCC的位置改成你自己的安装位置。
NVCC=/usr/local/cuda-10.0/bin/nvcc

4.2. make， 在darknet目录下进行make即可。

5. 测试使用，这里可以参考AlexeyAB大神的github

# 测试图片
./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output data/dog.jpg
# 测试视频
./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output test.mp4
# 测试视频并保存结果视频
./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights test1.mp4 -show -ext_output -out_filename test_result1.mp4

YOLOv4 Demo!

2.2. 在COCO evaluation server验证AP

• 1. Download and unzip test-dev2017 dataset from MS COCO server: http://images.cocodataset.org/zips/test2017.zip
• 2. Download list of images for Detection taks and replace the paths with yours: https://raw.githubusercontent.com/AlexeyAB/darknet/master/scripts/testdev2017.txt
• 3. Download yolov4.weights file: https://drive.google.com/open?id=1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT
• 4. Content of the file cfg/coco.data should be

classes= 80
train  = <replace with your path>/trainvalno5k.txt
valid = <replace with your path>/testdev2017.txt
names = data/coco.names
backup = backup
eval=coco

• 5. Create /results/ folder near with ./darknet executable file
• 6. Run validation:

./darknet detector valid cfg/coco.data cfg/yolov4.cfg yolov4.weights

• 7. Rename the file /results/coco_results.json to detections_test-dev2017_yolov4_results.json and compress it to detections_test-dev2017_yolov4_results.zip
• 8. Submit file detections_test-dev2017_yolov4_results.zip to the MS COCO evaluation server for the test-dev2019 (bbox)(link: COCO Detection Challenge (Bounding Box))

• 最终在网站上下载测试结果

2.3. 在GPU上验证FPS

• 1. Compile Darknet with GPU=1 CUDNN=1 CUDNN_HALF=1 OPENCV=1 in the Makefile (or use the same settings with Cmake)
• 2. Download yolov4.weights file 245 MB: yolov4.weights
• 3. Get any .avi/.mp4 video file (preferably not more than 1920x1080 to avoid bottlenecks in CPU performance)
• 4. Run one of two commands and look at the AVG FPS:
• 5. include video_capturing + NMS + drawing_bboxes: (dont_show表示视频不显示，若想显示改为show)

# 不显示视频
./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights test.mp4 -dont_show -ext_output
# 显示视频
./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights test.mp4 -show

• 6. exclude video_capturing + NMS + drawing_bboxes:

./darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights test.mp4 -benchmark

三. darknet代码理解 bflops

• 可以参考该博客：Yolov3模型框架darknet研究（二）结合darknet代码理解 bflops

[yolo] params: iou loss: ciou (4), iou_norm: 0.07, cls_norm: 1.00, scale_x_y: 1.10
nms_kind: greedynms (1), beta = 0.600000 
 151 route  147 		                           ->   26 x  26 x 256 
 152 conv    512       3 x 3/ 2     26 x  26 x 256 ->   13 x  13 x 512 0.399 BF
 153 route  152 116 	                           ->   13 x  13 x1024 
 154 conv    512       1 x 1/ 1     13 x  13 x1024 ->   13 x  13 x 512 0.177 BF
 155 conv   1024       3 x 3/ 1     13 x  13 x 512 ->   13 x  13 x1024 1.595 BF
 156 conv    512       1 x 1/ 1     13 x  13 x1024 ->   13 x  13 x 512 0.177 BF
 157 conv   1024       3 x 3/ 1     13 x  13 x 512 ->   13 x  13 x1024 1.595 BF
 158 conv    512       1 x 1/ 1     13 x  13 x1024 ->   13 x  13 x 512 0.177 BF
 159 conv   1024       3 x 3/ 1     13 x  13 x 512 ->   13 x  13 x1024 1.595 BF
 160 conv    255       1 x 1/ 1     13 x  13 x1024 ->   13 x  13 x 255 0.088 BF
 161 yolo
[yolo] params: iou loss: ciou (4), iou_norm: 0.07, cls_norm: 1.00, scale_x_y: 1.05
nms_kind: greedynms (1), beta = 0.600000 
Total BFLOPS 60.137