darknet

原创文章点击这里

1 安装和使用

1.1 安装

安装平台：linux

# 代码下载
git clone https://github.com/pjreddie/darknet.git
 
# 修改Makefile，在里面更改编译选项，看是否需要GPU、opencv
cd darknet
sed -i '1s/GPU=0/GPU=1/' Makefile
sed -i '2s/CUDNN=0/CUDNN=1/' Makefile
sed -i '3s/OPENCV=0/OPENCV=1/' Makefile
 
# 安装
make
 
# 下载预训练的模型，先下载第一个，用来测试
wget https://pjreddie.com/media/files/yolo.weights
wget https://pjreddie.com/media/files/tiny-yolo-voc.weights
wget http://pjreddie.com/media/files/yolov1.weights
wget http://pjreddie.com/media/files/tiny-yolo.weights
wget http://pjreddie.com/media/files/tiny-coco.weights
wget http://pjreddie.com/media/files/yolo-coco.weights

1.2 测试

在darknet文件夹下执行命令：

./darknet detect cfg/yolov2.cfg yolo.weights data/dog.jpg

参数说明：

• detect：表示该命令用于“目标检测”

• cfg/yolo.cfg：yolo模型的配置文件，包含它的网络结构（路径自定义）

• yolo.weights：训练好的权重分布，路径自定义（路径自定义）

• data/dog.jpg：要测试的图片（路径自定义）

还可以增加参数：

./darknet detect cfg/yolov2.cfg yolo.weights data/dog.jpg -thresh 0.1

-thresh表示阈值，可以设置；

Temp

三个参数：

• epoch
  所有数据传入网络完成一次前向计算及反向传播称为一个epoch（个人理解为训练的次数），随着epoch的数量增多，模型的输出会这样变化：
• batch size
  把数据集分成n个batch，每个batch所读应的数目就是batch size（即：总数/n），分批次训练，如果数据量少，还是不要分批次；
• iterations
  就是完成一次epoch所需要的batch个数；

举个例子：有2000个数据，分成４个batch，那么batch size就是500，因为一个epoch要运行所有的数据，所以１个epoch需要4次iterations；

相关文件

• cfg/coco.data
  指定了一些变量名

  classes= 80
  train  = /home/pjreddie/data/coco/trainvalno5k.txt
  valid  = coco_testdev
  #valid = data/coco_val_5k.list
  names = data/coco.names
  backup = /home/pjreddie/backup/
  eval=coco
  

• data/coco.names
  存放不同的类别名称，比如下面这些：

  person
  bicycle
  car
  motorbike
  aeroplane
  bus
  train
  truck
  boat
  traffic light
  fire hydrant
  stop sign
  parking meter
  bench
  bird
  ...
  

• cfg/yolov2.cfg
  网络模型的配置文件

  [net]
  # Testing
  batch=1
  subdivisions=1
  # Training
  # batch=64
  # subdivisions=8
  width=608
  height=608
  channels=3
  momentum=0.9
  decay=0.0005
  angle=0
  saturation = 1.5
  exposure = 1.5
  hue=.1
  
  learning_rate=0.001
  burn_in=1000
  max_batches = 500200
  policy=steps
  steps=400000,450000
  scales=.1,.1
  
  [convolutional]
  batch_normalize=1
  filters=32
  size=3
  stride=1
  pad=1
  activation=leaky
  ...