YOLOV3安装测试过程记录

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

1. 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）
2. 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

---