yolo v4 图像识别实现一——从darknet开始

@yolo v4 图像识别实现

yolo v4 图像识别实现

1、源码下载

https://github.com/AlexeyAB/darknet

2、环境准备

要求

平台：Windows或Linux
环境要求：
CMake> = 3.12：https : //cmake.org/download/
CUDA 10.0
OpenCV> = 2.4 使用vcpkg从源代码构建或从OpenCV官方网站下载（在Windows上，设置系统变量OpenCV_DIR=C:\opencv\build- include和x64文件夹图像）
CUD 10.0 的cuDNN> = 7.0 https://developer.nvidia.com/rdp/cudnn-archive

3、编译（Windows版本）

（参考：https://www.freesion.com/article/2527903651/）
3.1、环境配置
CUDA 10.0+cudnn-10.1-windows10-x64-v7.6.4.38+OpenCV 3.4.11-vc14_vc15
（详见博客：https://editor.csdn.net/md?articleId=107891502）

3.2、visual Studio 2017 打开build\darknet\darknet.sln，设置x64并释放

3.3、项目配置
（1）同时检查注意检查Windows SDK版本和平台工具集

3.4修改包含目录和库目录
添加opencv3.4的包含目录和库目录（按照自己的opencv3.4的路径）
（右键单击项目）->属性-> C / C +±>常规->其他包含目录，放在这里：

D:\opencv\build\include
D:\opencv\build\include\opencv
D:\opencv\build\include\opencv2

库目录：

D:\opencv\build\x64\vc15\lib

3.5.附加依赖项
添加附加依赖项（按照自己的opencv3.4的路径）

D:\opencv\build\x64\vc15\lib\opencv_world3411.lib

3.6、构建->构建Darknet
编译后在darknet\build\darknet\x64\ 目录下生成可执行文件darknet.exe：
3.7、下载YOLOV4预训练权重文件

下载后拷贝到
D:\darknet\build\darknet\x64 下

完成了以上所有环境的配置，即可使用开源权重 yolov4.weights实现目标检测，方法如下：
yolov4.weights: 添加链接描述

（1）图片检测
在D:\darknet\build\darknet\x64\ 目录下CMD执行：

darknet.exe detector test cfg\coco.data cfg\yolov4.cfg yolov4.weights data\dog.jpg

结果如下：

（2）视频检测：
调用本地摄像头实时监测，在D:\darknet\build\darknet\x64\ 目录下CMD执行：

darknet-master\build\darknet\x64>darknet detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights

检测本地已有视频，在D:\darknet\build\darknet\x64\ 目录下CMD执行：

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

结果示例：

4、训练自己的数据集

(详见博客：https://editor.csdn.net/md/?articleId=107878846)

D:\opencv\build\x64\vc15\lib

5、自己的模型进行检测（图片&视频）

5.1
训练后，请使用以下命令进行检测：对以下命令中：

darknet.exe detector test cfg\coco.data cfg\yolov4.cfg yolov4.weights data\dog.jpg

coco.data、 cfg、及weights文件改为自己训练的相关文件即可。