ubuntu下快速实现yolo v3目标检测

本文用到的脚本文件等资源已经上传，也可以直接下载使用：

cpu脚本：cpu_darknet_env.sh_linux系统下yolo的目标检测-深度学习文档类资源-CSDN下载

gpu脚本：gpu_darknet_env.sh-深度学习文档类资源-CSDN下载

cudnn-linux-64-v7.6：cudnn-10.0-linux-x64-v7.6.5.32.tgz-深度学习文档类资源-CSDN下载

一条命令即是指一条运行脚本的命令  sh 脚本名.sh

摘要：本文以尽可能少的步骤和安装命令，在最短的时间内搭建yolo的运行环境，实现让yolo在你的电脑上跑起来的目的，这些简化的命令是作者在多次安装之后的经验下总结的，希望对刚入手yolo的朋友有所帮助。yolo的运行环境有darknet、opencv、cuda、cudnn，根据硬件情况，又可分为cpu版本和gpu版本两种，其中gpu环境是在cpu的环境基础上增加了cuda和cudnn。必须注意的是，只有nvidia的显卡才支持gpu运行环境。

本机硬件设备信息如下：

cpu：Intel core i7-4790

gpu：GTX 1080ti

内存：DDR3L 三星 16GB

硬盘：SSD 华鑫云720G

操作系统：Ubuntu18.04.4 LTS 桌面版 64位

一、cpu版本

没有nvidia显卡的朋友只能用cpu跑yolo模型，cuda、cudnn不用安装，只需要安装darknet(必须)和opencv(可选)即可

编写cpu下的自动化处理脚本

在任意位置新建一个文件，后缀名为sh，复制下列代码到文件中，保存退出后，只需要一条命令运行此脚本即可。

下面是脚本文件的具体内容

#!/bin/bash
#auther:lishan
#time:2020/6/19
#funcation:搭建yolo训练环境cpu版本,只安装darknet和opencv(可选) 
#instruction:此脚本仅供参考,可自行修改命令,特别是下载速度过慢时,可注释掉wget开头的命令(#为注释符),
#            并用其它方式将对应文件放到darknet目录下
#attention:脚本测试时使用操作系统为ubuntu18.04 LTS 桌面版64位,cpu为 Intel core i7-4790
#darknet官网:https://pjreddie.com/darknet/yolo/
#opencv官网:https://opencv.org/ 
#--------------------------------------------------------------------
#更新软件源
sudo apt update
 
#安装必要工具
sudo apt install git gcc g++ make -y
 
#安装文本编辑器
sudo apt install gedit -y
 
#安装图片查看器
sudo apt install eom -y
 
#下载darknet
cd ~
git clone https://github.com/pjreddie/darknet.git
 
#编译darknet
cd ~/darknet
make
 
#下载yolov3权重文件
#若下载过程中,网络较差,可用其他方法下载
wget -c https://pjreddie.com/media/files/yolov3.weights
 
#下载yolov3-tiny权重文件
#wget -c https://pjreddie.com/media/files/yolov3-tiny.weights
 
#运行yolov3进行图片测试
./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg
 
#查看检测图片结果
eom predictions.jpg
 
#安装opencv
sudo apt install libopencv-dev -y
 
#编辑Makefile文件
#修改OPENCV=1，OPENMP=1
gedit Makefile
 
#重新编译
make
 
#再次运行yolov3进行图片测试
./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg

 一条命令运行脚本

sh 脚本名.sh

不出意外的话（网速正常），5分钟之后，你应该能得到这样的效果，此处检测时间为19.007486秒

关闭图片后会自动安装opencv，并打开一个文档，编辑Makefile文件内容如下

保存后，关闭文档，脚本继续运行，并再次运行yolov3进行图片测试

使用opencv后，检测完成后会自动打开图片，到此脚本执行完毕，整个过程在10分钟以内

由于开启了openmp，使用多核编程，检测速度有所提升，此处检测时间为5.730782秒

检测速度的提升是由于openmp的原因，opencv并不会提高检测速度

 测试检测效果的命令介绍如下：

./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg

命令拆解	含义
./	当前目录（darknet目录）
./darknet	运行当前目录下的名为darknet文件
dector test	运行指令类型：测试     （使用detect指令替代时，数据文件默认为cfg/coco.data，不用再单独指定）
cfg/coco.data	数据指向文件路径（文件内容有数据的类别数、类别名、训练集的图片路径、验证集的图片路径等）
cfg/yolov3.cfg	yolo网络模型配置文件路径（文件内容有网络的层数、每一层的参数、学习率、激活函数等等）
yolov3.weights	yolo网络的权重文件路径，darknet官网提供
data/dog.jpg	待检测图片路径

darknet/data目录下还有一些其他图片可供测试，你也可以将命令中检测图片的路径指向你希望的图片文件

二、gpu版本

有nvidia显卡的朋友可以用cpu或者gpu跑yolo模型，使用gpu时darknet、opencv、cuda、cudnn最好全部安装

在安装cuda和cudnn之前需要先确认nvidia显卡驱动是否已经成功安装

强调：只有nvidia的显卡才支持cuda和cudnn，如果没有符合条件的显卡，请不要花费时间来安装cuda和cudnn

打开终端，输入nvidia-smi，查看是否输出显卡信息以及支持的cuda版本

nvidia-smi

 

图中信息显示了：显卡驱动版本为440.59，支持的cuda最高版本为10.2，显卡型号为GTX 108系列

如果没有输出类似上述的图片，请先安装显卡驱动，再执行后面的cuda、cudnn安装操作

这里给出了ubuntu操作系统下安装驱动的一些方法以供参考，如果能成功，这是最好的，如果不能成功，请参考其他教程，直到成功安装驱动

ubuntu系列操作系统只需两条命令完成驱动的安装，没有其他繁琐的操作（亲测有效）

ubuntu-drivers devices
sudo ubuntu-drivers autoinstall

驱动安装完成后需要重启才能生效

reboot

下面是显卡驱动安装的自动化脚本

英伟达显卡驱动官网下载页面 官方驱动 | NVIDIA

#显卡驱动安装方法参考
#强调:只有nvidia的显卡才支持cuda和cudnn,如果没有符合条件的显卡,请不要花费时间来安装cuda和cudnn
#方法1: 在ubuntu的 软件和更新 中的 附加驱动 选项选择安装(命令行下的ubuntu-drivers devices)
#方法2: 在官网下载对应显卡驱动文件，运行驱动安装文件
#安装完成后需要重启系统
#直到在终端输入nvidia-smi可以看到显卡信息为止
#英伟达显卡驱动官网下载 https://www.nvidia.cn/Download/index.aspx?lang=cn

#显卡驱动安装法1(推荐)
#搜索ubuntu系统检测到的驱动
ubuntu-drivers devices

#自动安装合适的驱动
sudo ubuntu-drivers autoinstall

#显卡驱动安装法2
#查看显卡信息
#lspci | grep -i nvidia

#官网下载GTX 1080ti Linux-64驱动
#wget -c http://cn.download.nvidia.com/XFree86/Linux-x86_64/440.82/NVIDIA-Linux-x86_64-440.82.run

#运行驱动安装文件
#sudo sh NVIDIA-Linux*.run

#驱动安装完成后需要重启生效
#reboot

下面的一系列操作都认为你已经成功安装了显卡驱动，并通过终端命令nvidia-smi，输出了显卡的相关信息

提前下载cuda和cudnn文件

官网下载cuda文件(可选)，链接：CUDA Toolkit Archive | NVIDIA Developerd

官网下载cudnn文件(可选)，链接：https://developer.nvidia.com/rdp/cudnn-download

提示：官网下载cudnn必须注册登录

注意：cuda与cudnn的版本需要一一对应
cudnn 7.6.5 <--> cuda9.0、cuda9.2、cuda10.0、cuda10.1、cuda10.2
cudnn 8.0.0 <--> cuda10.2、cuda11.0

本机下载cuda10.0，cudnn7.6，文件放在主目录下 ～/

一定将文件放在主目录下，因为脚本中会到主目录下寻找文件，如果希望放在其它位置，请修改脚本中对应的cd 命令后为你指定的路径

#到主目录下解压文件
cd ~
tar -xzvf cudnn*.tgz

驱动安装成功、文件下载并放好位置后，就可以执行下面的shell脚本文件了

编写gpu下的自动化处理脚本

#!/bin/bash
#auther:lishan
#time:2020/6/19
#funcation:搭建yolo训练环境gpu版本,安装darknet + opencv + cuda + cudnn
#instruction:此脚本仅供参考,可自行修改命令,特别是下载速度过慢时,可注释掉wget开头的命令(#为注释符),
#            并用其它方式将对应文件放到darknet目录下
#attention:脚本测试时使用操作系统为ubuntu18.04 LTS 桌面版64位,gpu为GTX 1080ti
 
#darknet官网:https://pjreddie.com/darknet/yolo/
#opencv官网:https://opencv.org/
#nvidia官网:https://www.nvidia.cn/
#运行脚本之前先确认显卡驱动已经安装成功，输入nvidia-smi，查看是否有输出
 
#--------------------------------------------------------------------
################## part one: darkent ######################
#更新软件源
sudo apt update
  
#安装必要工具
sudo apt install git gcc g++ make -y
 
#安装文本编辑器
sudo apt install gedit -y
 
#安装图片查看器
sudo apt install eom -y
 
#安装视频播放器
sudo apt install  vlc -y
 
#下载darknet
cd ~
git clone https://github.com/pjreddie/darknet.git
  
#下载yolov3权重文件
#若下载过程中,网络较差,可用其他方法下载
cd ~/darknet
wget -c https://pjreddie.com/media/files/yolov3.weights
 
#下载yolov3-tiny权重文件
#wget -c https://pjreddie.com/media/files/yolov3-tiny.weights
   
#--------------------------------------------------------------------
################## part two: opencv ######################
#安装opencv
sudo apt install libopencv-dev -y
 
#--------------------------------------------------------------------
################## part three: cuda ######################
#instruction: 本机显卡为GTX 1080ti,下载cuda版本为10.0
#在安装cuda之前,请自行安装显卡驱动,安装方法请参考其他教程
#note:脚本默认已经安装好显卡驱动

#--------------------------------------------------------------------
#方法1：自动安装(目前安装的最新版本为9.1,所以需要自行下载cudnn7.6)
#cuda与cudnn版本需要一一对应
#cudnn 7.6.5 <--> cuda9.0、cuda9.2、cuda10.0、cuda10.1、cuda10.2
#cudnn 8.0.0 <--> cuda10.2、cuda11.0

#自动安装
sudo apt install nvidia-cuda-toolkit -y

#默认安装位置是/usr/lib/cuda/，需要移动到/usr/local/
sudo mv /usr/lib/cuda/ /usr/local/

#-------------------------------------------------------------------- 
#方法2：官网下载安装
#cuda官网下载：https://developer.nvidia.com/cuda-toolkit-archive
#打开官网，根据自己的显卡型号找到需要的版本链接，替换掉wget -c 后的链接地址
#或者提前下载好文件之后放在主目录下(~/)，并注释wget命令

#cd ~
#下载cuda 10.0.130_410.48_linux
#wget -c https://developer.nvidia.com/compute/cuda/10.0/Prod/local_installers/cuda_10.0.130_410.48_linux
 
#下载cuda 9.0.176_384.81_linux
#wget -c https://developer.nvidia.com/compute/cuda/9.0/Prod/local_installers/cuda_9.0.176_384.81_linux-run
 
#运行cuda安装文件
#sudo sh cuda*linux.run
#第一次选择n，后面选择y
 
#--------------------------------------------------------------------
#添加环境变量
echo "export PATH=/usr/local/cuda/bin${PATH:+:${PATH}}" >> ~/.bashrc
echo "export LD_LIBRARY_PATH=/usr/local/cuda/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}" >> ~/.bashrc
 
#更新环境变量
source ~/.bashrc
 
#--------------------------------------------------------------------
################## part four: cudnn ######################
#cuda与cudnn版本需要一一对应
#cudnn 7.6.5 <--> cuda9.0、cuda9.2、cuda10.0、cuda10.1、cuda10.2
#cudnn 8.0.0 <--> cuda10.2、cuda11.0
 
#下载cudnn 7.6.5
# 请通过官网下载  https://developer.nvidia.com/compute/machine-learning/cudnn/secure/7.6.5.32/Production/10.0_20191031/cudnn-10.0-linux-x64-v7.6.5.32.tgz
# 并移动到主目录(~/)下
 
#到主目录下解压文件
cd ~
tar -xzvf cudnn*.tgz
 
#复制cudnn文件到上一步安装的cuda中 
sudo cp cuda/include/cudnn.h /usr/local/cuda/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64

#赋予可读写权限
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*
 
#--------------------------------------------------------------------
#编译darknet
cd ~/darknet
 
#编辑Makefile文件
#GPU=1,CUDNN=1,OPENCV=1,OPENMP=1
gedit Makefile
 
#编译
make
 
#运行yolov3进行图片测试
./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg

 以上所有所有工作完成后，一条命令运行脚本，自动安装

安装完成后会自动打开一个文档，修改Makefile文件，内容如下

 

提示：安装的cuda对应GPU功能，cudnn对应CUDNN功能，opencv对应OPENCV，cpu多核对应OPENMP，

符合对应条件即可将其值改为1 

保存并退出后，脚本继续运行
如果一切正常(网速良好)，你会看到这样的效果，整个过程(不包括cuda和cudnn文件的下载)在15分钟以内

 与cpu检测的时间相比，此处gpu为0.038935秒，前面cpu检测为5.730782秒，检测时间相差147倍左右

最后在gpu下跑一下yolo的其他示例

2、调用电脑摄像头实时视频检测

./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights

 我的台式主机没有连接摄像头，所有这里没有测试

3、检测视频文件

./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights <video file>

<video file>为你的视频文件相对darknet目录的位置，视频需要自己提前准备

例如，将1.mp4文件放在darknet目录下，然后执行下面命令

./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights 1.mp4

 视频检测结果后面放上

如果安装过程中出现任何问题，首先依次检查四个环境是否安装成功

1、测试darknet:

./darknet

 2、测试opencv

opencv_version

3、测试cuda

nvcc -V

 你应该得到类似这样的图

 

 4、测试cudnn

cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

然后修改darknet目录下的Makefile文件，修改开头几行的值为0或1，以便下一步测试对应功能是否正常。然后执行make命令，最后再次检测，如果正常通过，说明Makefile文件中开头几行中值为1的对应项工作正常