前言
目标检测的模型还是很多的,要挨个挨个学还是有点吃力(精力旺盛可忽略),所以这里总结一下当前流行的目标检测的框架:darknet yolov4,mmdetection2.0,detectron2.0。至于这三个框架怎么去选择,我的答案是只有你真正懂了,上手试了这几个框架之后你才能比较它们之间的优劣。
1 Darknet YOLOv4 配置
我的环境:WIN10,CUDA10.1,cuDNN7.6.4,Anaconda,VS2019,OpenCV3.4.10,GTX1660(6G内存)
- Windows10 这几个框架全都是在windows10上配置成功的(符合大多数不懂Linux的朋友)。windows10不用我多说,windows7的小伙伴找个机会赶紧升级吧,不然接下来的很多操作你会不适应。
- CUDA10.1 各个版本的CUDA下载(没有CUDA的小伙伴你就放弃吧,真心跑不动)。
- cuDNN7.6.4 cuDNN官方下载地址(需要注册NVIDIA账号下载)。
- Python3.7 这个Anaconda已经自带。
- VS2019 进入VS官网下载社区版。
- OpenCV3.4.10 官网下载3.4.10版本
- YOLO v4 GitHub下载YOLO v4项目并解压。
- 复制OpenCV文件 将
opencv\build\x64\vc15\bin
的两个dll文件:opencv_ffmpeg340_64.dll
和opencv_world340.dll
复制到darknet\build\darknet\x64
- 配置VS2019 见下
具体如何将上述软件整合到一起的操作,详见:WIN10+YOLOv4,windows上完美执行YOLOv4目标检测
2 YOLOv4如何使用
- Yolo v4 COCO - 检测一张图片:
darknet.exe detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -thresh 0.25
- 输出被检测物体坐标:
darknet.exe detector test cfg/coco.data yolov4.cfg yolov4.weights -ext_output dog.jpg
- Yolo v4 COCO - 检测一段视频:
darknet.exe detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output test.mp4
- Yolo v4 COCO - 本地摄像头检测:
darknet.exe detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights -c 0
- Yolo v4 COCO 智能网络摄像头(海康):
darknet.exe detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights http://192.168.0.80:8080/video?dummy=param.mjpg
- Yolo v4 - 保存结果视频文件res.avi:
darknet.exe detector demo cfg/coco.data cfg/yolov4.cfg yolov4.weights test.mp4 -out_filename res.avi
- Yolo v3 Tiny COCO - 视频:
darknet.exe detector demo cfg/coco.data cfg/yolov3-tiny.cfg yolov3-tiny.weights test.mp4
- JSON和MJPEG服务器,允许来自您的软件浏览器或Web浏览器
ip-address:8070
和8090
的多个连接:./darknet detector demo ./