17.1 YOLOV3
① 官网:(cfg文件为数据模型)
https://pjreddie.com/darknet/yolo/
② 深度学习之—yolov1,v2,v3详解
https://blog.csdn.net/zxyhhjs2017/article/details/83013297
③ Tensorflow实现YOLO v3(TF-Slim)
https://blog.csdn.net/haoqimao_hard/article/details/82109015
④ A Keras implementation of YOLOv3 (github项目)
https://github.com/qqwweee/keras-yolo3
⑤ YOLOV3 - 使用 Darknet 训练检测模型(根据环境改变Makefile)
https://www.aiuai.cn/aifarm1097.html
⑥ yoloV3使用报错:CUDA Error: out of memory(原因是:cfg文件申请内存过大)
https://blog.csdn.net/fanhongyuan21/article/details/81909994
⑦JetsonTX2 部署YOLOv3:
https://blog.csdn.net/qq_36302589/article/details/85088874
⑧ 自训练数据模型
http://ai.baidu.com/forum/topic/show/593347(下载)
https://pjreddie.com/darknet/yolo/(官方教程)
⑨ TX2下使用darknet_ros包在ROS中进行YOLOv3检测
https://blog.csdn.net/abc039510/article/details/83069278
- yolo使用测试
- 在笔记本Y7000的cpu环境直接使用官网的例程,大约花费40秒识别,物体识别正确率高。但是根据官网的数据,花费的时间可以达到0.029329秒,这是GPU运算的结果。(深度学习也许更快)
- 关于各种编译方式运行YOLO-V3,可看以下网址内容:
- darknet的编译和YOLO在不同编译条件的运行速度对比
https://www.jianshu.com/p/c2-a90b89fc21
1、无cuda、无cudnn、opencv等,运行yolo v3完全版:
2、使用cuda、cudnn,运行yolov3-tiny版weights:(数据模型量小、快速,准确度较低、识别杂乱)
3、使用cuda、cudnn,运行yolov3版weights:
0.147s完成识别和标注(dog.jpg)
- cup测试
网络图片测试
- 对比
weights-tiny版:
weights版:
- 视频检测:
./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights
17.2 YOLO_ROS(实时处理图像输入输出)
- TX2下使用darknet_ros包在ROS中进行YOLOv3检测
https://blog.csdn.net/abc039510/article/details/83069278
# 启动darknet测试
roslaunch darknet_ros yolov3.launch
# 启动D435相机的图像话题
roslaunch realsense2_camera rs_camera.launch
ROS话题:
/darknet_ros/found_object
#检测到物体个数
/darknet_ros/bounding_boxes
#检测到物体的包围盒
/darknet_ros/detection_image
#检测结果图像
17.3 YOLO配合realsense D435
17.3.1 获取深度信息
官方例子:
https://github.com/IntelRealSense/librealsense