Darknet-YOLOV3编译成动态链接库并进行检测

最新推荐文章于 2021-10-15 18:50:19 发布

ccc_irene

最新推荐文章于 2021-10-15 18:50:19 发布

阅读量4k

点赞数 5

分类专栏：机器学习

本文链接：https://blog.csdn.net/qq_41433316/article/details/98170771

版权

Darknet深度学习框架是一个用C和CUDA编写的开源神经网络框架。它安装速度快，易于安装，并支持CPU和GPU计算。
GitHub源码：https://github.com/pjreddie/darknet
官网：https://pjreddie.com/darknet/
YOLO算法中把物体检测问题处理成回归问题，用一个卷积神经网络结构就可以从输入图像直接预测bounding box和类别概率。其优点有：
1、速度快。在Titan X GPU上的速度是45 fps（frames per second），加速版的YOLO差不多是150fps。
2、基于图像的全局信息进行预测。这一点和基于sliding window以及region proposal等检测算法不一样。与Fast R-CNN相比，YOLO在误检测（将背景检测为物体）方面的错误率能降低一半多。
3、可以学到物体的generalizable-representations。可以理解为泛化能力强。
4、准确率高。
最近在使用Yolov3进行目标物体（行人）的检测，原本是在Pytorch上用的，检测识别的部分是用python3写的，但因为要和ROS结合起来使用，再加上要用到Kinect摄像头，一方面ROS默认python使用的版本是2.7，另一方面纯python写的代码调用起来效率确实没那么高，一旦同时好几个工作同时进行的话，效率就更低了。于是决定把目标检测那边也使用C++。Pytorch其实有C++版本，用的是libtorch，但因为教程比较少，就先不去踩坑了。
官方的github源码挺好的，但菜菜的我想实现的是加载网络之后，传一张图片返回识别的标定框信息的功能，但官方给的示例都是使用的./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg的方法进行识别的，目前我还没找到进行检测的那部分代码。
这里推荐另一份代码，给上github地址：https://github.com/AlexeyAB/darknet 这个库十分贴心，可以生成动态链接库供调用。
首先说编译方法，其实很简单。如果有CUDA，要使用GPU加速，要用OpenCV，要生成动态链接库，那么打开Makefile文件，修改下面的部分：

# GPU=0
GPU=1
# CUDNN=0
CUDNN=1
CUDNN_HALF=0
# OPENCV=0
OPENCV=1
AVX=0
OPENMP=0
# LIBSO=0
LIBSO=1
ZED_CAMERA=0

# set GPU=1 and CUDNN=1 to speedup on GPU
# set CUDNN_HALF=1 to further speedup 3 x times (Mixed-precision on Tensor Cores) GPU: Volta, Xavier, Turing and higher
# set AVX=1 and OPENMP=1 to speedup on CPU (if error occurs then set AVX=0)

也就是将对应的0改成1
然后直接make，就可以生成.so文件了
下面是调用动态链接库的使用：
参考博客：https://blog.csdn.net/haithink/article/details/88843297
cpp文件：

#include <iostream>
#include <iomanip>
#include <vector>
#include <fstream>

#include <opencv2/opencv.hpp>            // C++
#include <opencv2/highgui/highgui_c.h>   // C
#include <opencv2/imgproc/imgproc_c.h>   // C
#include "yolo_v2_class.hpp"