目录
前言
大家好，我是白熊快跑。距离上次博客良久，再不更新大学就要过完了。最近毕业设计项目用到了基于树莓派、Ubuntu、ROS的视觉识别检测，视觉任务之一是识别4种不同的外卖袋。参考《ROS机械臂开发与实践》（王晓云，2023），主流做法有三种，对应三个ROS包：
- find_object_2d
- ORK
- darknet_ros
其中darknet_ros【1】基于YOLO算法，而YOLO我一直久仰大名。怎么用，官方指南说得差不多了，接下来我们重点说怎么用自己的数据集训练YOLO模型，并且用到darknet_ros里。
实际中，博主使用系统为Ubuntu22.04，任务是训练4类外卖袋的YOLOv3模型，并且新旧版都试了一次。
这个是新版ultralytics训练结果返图：
这个是darknet_ros下用旧版pjreddieYOLOv3模型的识别结果：
这方面网上资料其实并不少，但考虑到绝大部分教程没将新旧两个版本区别开一次性说清楚；而且大都步骤繁杂，虽然正确，但不利于理解。现在博主特意将这方面内容都整理成一篇博客，力求避免上述通病，通过一篇博客，让大家在使用YOLOv3训练自己数据集这块儿，不在门外，而在门内。
正文如下。
【1】darknet_ros项目链接：leggedrobotics/darknet_ros: YOLO ROS: Real-Time Object Detection for ROS (github.com)
正文：
一、新旧版比较与使用
博主歪打正着，新旧两个版本都用到了——先是用了新版本ultralytics训练，得到了训练结果*.pt文件；结果发现不对啊，想要在darknet_ros里使用YOLOv3模型，还得是用旧版本pjreddie训练的*.weights。clone新旧版本github：
下面是新旧版简单对比。
| 版本 | 主要Python库依赖 | 训练结果 |
|---|---|---|
| ultralytics（新） | PyTorch | *.pt（如图1-1） |
| pjreddie（旧） | CUDA、CUDNN、TensorFlow | *.weights（如图1-2） |
二、训练准备（ultralytics版）
0 检查环境&安装依赖
博主自己的环境是Python 3.8.18和pytorch-lightning 2.1.3，这一步可参考博客yolov3模型训练——使用yolov3训练自己的模型_yolov3.pt对应的yaml文件是哪个-CSDN博客（虽然这篇说的是Windows版...）
首先，大家按照自己需要安装PtTorch。
第二步，依据requirements按照其他依赖，如下操作：
$ cd yolov3
$ pip install -r requirements.txt最后，使用 git 命令直接下载YOLOv3（ultralytics版）的源码工程：
$ git clone https://github.com/ultralytics/yolov3.git
$ cd yolov31 数据集准备
1.1 收集图片&打标签
首先，收集一大堆*.jpg图片（你也可以用别的格式，只是后面要把每张图片的路径都写到一个文件里，需要你自行修改），但不必着急全部丢到一个文件夹，分类放好有利于后面打标签。
第二步，下载imgImg，并打开软件，步骤如下（见图2-1和图2-2）。注意，这一步应当不做任何输出标签格式的调整，输出*.xml文件就是我们要的东西。
$ git clone https://github.com/HumanSignal/labelImg.git
$ cd labelImg
$ python labelImg.py
这里再介绍几个labelImg常见的快捷键，不然这一步可太废手了。（这么良心的博主都不点赞收藏吗？）
- 上方工具栏 查看->自动保存模式 ：开启自动保存后，点击下一张自动保存标签结果
- 上方工具栏 查看->单一类别模式 ：如果某一次打标签所有图片都是只出现一个类别的物体，选中这个模式以后，对下一张图片打标签就不需要再输入标签名了（所以推荐大家把同一类图片放一个文件夹，标完一个文件夹就把labelImg关掉，再标就再打开）
- 快捷键 w ：创建一个矩形框（区块）
- 快捷键 d ：下一张图片
第三步，标好所有图片后，在根目录下data文件夹下新建两个文件夹Images和Annotations，将所有图片*.jpg文件丢到Images文件夹下，所有标签*.xml文件丢到Annotations文件夹（这个命名后面会用上）。检查两者数量是否相同，不相同回上一步补足。
1.2 数据集加工（ultralytics版）
划重点，ultralytics版和pjreddie版数据集加工步骤是不同的！是不同的！是不同的！下面一张表格来说说两者的异同：
版本 加工步骤 加工结果 ultralytics版
- 将图片数据集的所有文件名分成训练集、测试集、验证集，比例7：2：1，分别写入三个txt文件中
- 将xml标签文件转成YOLO的txt标签文件
- 将图片数据集的所有文件和标签文件夹的所有txt标签文件分别放入三个文件夹内
images和labels两个文件夹，每个文件夹内分别有train、test、val三个文件夹；images的三个文件夹存着所有的jpg文件，labels的三个文件夹存着所有txt文件 pjreddie版
- 将图片数据集的所有文件名分成训练集、测试集、验证集，比例9：0.9：0.1，分别写入三个txt文件中
- 将xml标签文件转成YOLO的txt标签文件，并生成三个txt文件内含训练集、测试集、验证集图片文件的路径
takeaway_train.txt、takeaway_test.txt、takeaway_val.txt
ultralytics版加工步骤如下，一共三步，分别编写3个Python文件并运行：
1. 编写createImgTxt.py
这一步是为了生成含有训练集、测试集、验证集所有文件名的三个文件，方便后续的操作（但并不直接用到训练过程中）
先在根目录./data下新建一个ImageSets文件夹，再在darknet根目录下新建createImgTxt.py文件。
# createImgTxt.py
import os
import random
trainval_percent = 0.9
train_percent = 2/9
xmlfilepath = 'data/Annotations/'
txtsavepath = 'data/ImageSets/'
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent) #0.9*num
tr = int(tv * train_percent) #num*0.9*(2/9)
trainval = random.sample(list, tv)
test = random.sample(trainval, tr)
ftrainval = open(txtsavepath+'trainval.txt', 'w')
ftest = open(txtsavepath+'test.txt', 'w')
ftrain = open(txtsavepath+'train.txt', 'w')
fval = open(txtsavepath+'val.txt', 'w')
for i in list:
name = total_xml[i][:-4] + '\n' # without the postfix
if i in trainval:
ftrainval.write(name) # train and test take 0.9 at total
if i in test:
ftest.write(name) # test takes 0.2
else:
ftrain.write(name) # train takes 0.7
else:
fval.write(name) # val takes 0.1
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()然后，命令行运行createImgTxt.py。
$ cd yolov3
$ python createImgTxt.py结果如下图所示，其中trainval.txt是中间产物，可删。
2. 编写createLabels.py
在yolov3根目录下新建createLabels.py文件。其中，txt标签结果保存到./data/labels里面。实际使用时需要把classes数组里的类别名称改成你的类别名称，并且注意记下这个顺序（后面3.2配置文件修改会用，顺序不对会识别结果对不上）。博主的顺序是curry_bag、coffee_bag、red_bag、orange_bag。
# createLabels.py
#-- coding:utf-8 -
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
sets = ['train', 'test','val']
classes = ['curry_bag','coffee_bag','red_bag','orange_bag'] # 修改成自己数据集的类别名称
def convert(size, box):
dw = 1. / size[0]
dh = 1. / size[1]
x = (box[0] + box[1]) / 2.0
y = (box[2] + box[3]) / 2.0
w = box[1] - box[0]
h = box[3] - box[2]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return (x, y, w, h)
def convert_annotation(image_id):
in_file = open('data/Annotations/%s.xml' % (image_id))
out_file = open('data/labels/%s.txt' % (image_id), 'w')
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text))
bb = convert((w, h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
print(wd)
for image_set in sets:
if not os.path.exists('data/labels/'):
os.makedirs('data/labels/')
image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
for image_id in image_ids:
convert_annotation(image_id)然后，命令行运行createLabels.py。
$ cd yolov3
$ python createLabels.py3. 编写createImgDir.py
在yolov3根目录下新建createImgDir.py文件。最终生成的images文件夹和labels文件夹放置在./data/Takeaway_data，文件夹路径请大家根据自己实际修改，本章3.2将会用到。
# createImgDir.py
import os
import shutil
imgset_dir = 'data/ImageSets/'
img_from_dir = 'data/Images/'
img_to_dir = 'data/Takeaway_data/images/'
label_from_dir = 'data/labels/'
label_to_dir = 'data/Takeaway_data/labels/'
def move_file(dataset_class):
with open(imgset_dir+dataset_class+'.txt','r',encoding='utf-8') as f:
i_to_dir = os.path.join(img_to_dir,dataset_class)
l_to_dir = os.path.join(label_to_dir,dataset_class)
if not os.path.exists(i_to_dir):
os.makedirs(i_to_dir)
if not os.path.exists(l_to_dir):
os.makedirs(l_to_dir)
for line in f.readlines():
line = line.strip('\n')
i_from_dir = img_from_dir + str(line) + '.jpg'
l_from_dir = label_from_dir + str(line) + '.txt'
shutil.copy(i_from_dir,i_to_dir)
shutil.copy(l_from_dir,l_to_dir)
move_file('train')
move_file('test')
move_file('val')然后，命令行运行createImgDir.py。
$ cd yolov3
$ python createImgDir.py最终分别在images和labels两个文件夹下生成train、test、val三个文件夹，取train为例图片文件如图2-3，标签文件图2-4所示。
2 初权重准备
加载预训练权重进行网络的训练可以减小缩短网络训练时间，并且提高精度。预训练权重越大，训练出来的精度就会越高，但是其检测的速度就会越慢。不同的预训练权重对应着不同的网络层数。
预训练权重下载地址：Releases · ultralytics/yolov3 (github.com)
参考博客：yolov3模型训练——使用yolov3训练自己的模型_yolov3.pt对应的yaml文件是哪个-CSDN博客
如图2-5，博主选择下载yolov3.pt初权重，并放置在yolov3根目录下新建一个weights里（如图2-6），后面会用。大家可根据自身需要下载其他权重，注意这里的选择需和配置信息里的cfg选择对应。
3 配置信息修改（ultralytics版）
用自己数据集训练YOLO模型，说到底就是修改YOLO配置信息，一般有7项，可以分为两类，修改的位置有以下区别（详细说明看下两节）：
- 参数修改：仅需要在根目录下train.py修改对应参数的默认值
- 文件修改：不仅需要在根目录下train.py修改对应参数的默认路径，还需要修改对应文件的文件内容
【1】参考资料：YOLO V5 测试图像时 img_size 的设置问题_yolov5 imgsize-CSDN博客
博主自己在train.py对这7项配置信息的修改如下图。
3.1 配置参数修改
下面这一节来说说博主自己在train.py修改的参数值。
- batch-size
设定为16，测试过更高，但显卡带不动哩...
- epochs
设定为32，博主图片训练集总共图片大概440张，16*32>=440
- weights
选择前面我们下载好的yolov3.pt的路径
- img-size
博主图片数据集每张图片都是1280x720（宽x高），这里可以写720，实际是填了640
- device
英伟达显卡用命令行查看GPU序号
$ nvidia-smi结果如图2-9，博主只有一张显卡（恰好比较好呢~），序号为0，因此这里也填0即可
3.2 配置文件修改
- 修改cfg文件
第一步，找到根目录下./models/yolov3.yaml文件。
第二步，修改其中nc（number of classes）为4。
最后，记得在train.py里修改data的值为当前yolov3.yaml路径（如图2-8）。
- 修改data文件
第一步，找到根目录下./data/voc.yaml文件。voc.yaml本来是VOC数据集的配置文件，我们基于它修改成自己的版本。这里博主复制一份，更名为voc_takeaway_bags.yaml。
第二步，修改train、test、valid数据集的文件夹路径，并填入4个识别类的名称curry_bag、coffee_bag、red_bag、orange_bag（与1.2第二步对应）。接着把后面所有内容（基本是关于VOC数据集下载）删掉，最终效果如下图。
最后，记得在train.py里修改data的值为当前voc_takeaway_bags.yaml路径（如图2-8）。
三、训练开始及结果测试（ultralytics版）
直接运行train.py，开始训练。训练的结果保存在根目录下./runs/train下。
测试识别效果，步骤参考链接：yolov3模型训练——使用yolov3训练自己的模型_yolov3.pt对应的yaml文件是哪个-CSDN博客
下面重点说说pjreddie版的训练和使用。
四、训练准备（pjreddie版）
0 检查环境&安装依赖
YOLOv3（pjreddie版）使用的是开源的神经网络框架 Darknet53，有 CPU 和 GPU 两种模式。默认使用的是 CPU 模式。
首先，我们 git 命令直接下载YOLOv3（pjreddie版）的源码工程：
$ git clone https://github.com/pjreddie/darknet如果想用CPU版可以跳过以下步骤，直接到0.2。下面重点说一下使用GPU版需要做的操作，分为以下两步：
- 安装CUDA和CUDNN
- 修改pjreddie版工程根目录下Makefile
0.1 pjreddie版使用GPU版本
1. 安装CUDA和CUDNN
使用GPU版，首先需要安装CUDA和CUDNN，这里可以参考博客：Ubuntu 20.04安装CUDA & CUDNN 手把手带你撸_ubuntu20.04安装cuda-CSDN博客
博主CUDA安装的是12.2版本，CUDNN安装的是Ubuntu22.04的对应版本。
2. 修改pjreddie版工程根目录下Makefile
修改的地方有 4 处。其中，第 1 处 GPU=1，CUDNN=1，表示使用 GPU 和 CUDNN，若使用 CPU 的话，置为 0 即可；第 2 处将 NVCC 设为本地安装 nvcc 的实际目录；第 3 处将 COMMON+ 设为本地 cuda 的头文件目录；第 4 处将 LDFLAGS+ 设为 cuda 的库目录（参考博客：从零开始带你一步一步使用YOLOv3训练自己的数据_yolov3训练过程-CSDN博客）第5处是博主实践中遇到了报错，搜索之后，删掉了含30和35的那两行。
0.2 开始编译
完成以上步骤，到darknet根目录下，make工程（无论CPU版还是GPU版都需要）。
$ cd darknet
$ make1 数据集准备
1.1 收集图片&打标签
这一步和前面第二章的1.1是一模一样的（文件的保存路径名也一模一样！），请大家返回前面查看。
1.2 数据集加工（pjreddie版）
划重点，ultralytics版和pjreddie版数据集加工步骤是不同的！是不同的！是不同的！下面一张表格来说说两者的异同：
版本 加工步骤 加工结果 ultralytics版
- 将图片数据集的所有文件名分成训练集、测试集、验证集，比例7：2：1，分别写入三个txt文件中
- 将xml标签文件转成YOLO的txt标签文件
- 将图片数据集的所有文件和标签文件夹的所有txt标签文件分别放入三个文件夹内
images和labels两个文件夹，每个文件夹内分别有train、test、val三个文件夹 pjreddie版
- 将图片数据集的所有文件名分成训练集、测试集、验证集，比例9：0.9：0.1，分别写入三个txt文件中
- 将xml标签文件转成YOLO的txt标签文件，并生成三个txt文件内含训练集、测试集、验证集图片文件的路径
takeaway_train.txt、takeaway_test.txt、takeaway_val.txt
pjreddie版加工步骤如下，一共两步，分别编写2个Python文件并运行。
1. 编写createImgTxt.py
这一步是为了生成含有训练集、测试集、验证集所有文件名的三个文件，方便后续的操作（但并不直接用到训练过程中）其中大部分词句和ultralytics版是一致的，只是训练集、测试集、验证集比例设置上的差异。
先在根目录./data下新建一个ImageSets文件夹，再在yolov3根目录下新建createImgTxt.py文件。
#createImgTxt.py
import os
import random
trainval_percent = 0.1 # val and test take 0.1 at total
train_percent = 0.9
xmlfilepath = 'data/Annotations'
txtsavepath = 'data/ImageSets'
total_xml = os.listdir(xmlfilepath)
num = len(total_xml)
list = range(num)
tv = int(num * trainval_percent)
tr = int(tv * train_percent)
trainval = random.sample(list, tv)
test = random.sample(trainval, tr) # for test set
ftrainval = open('data/ImageSets/trainval.txt', 'w')
ftest = open('data/ImageSets/test.txt', 'w')
ftrain = open('data/ImageSets/train.txt', 'w')
fval = open('data/ImageSets/val.txt', 'w')
for i in list:
name = total_xml[i][:-4] + '\n' # without the postfix
if i in trainval:
ftrainval.write(name)
if i in test:
ftest.write(name) # test takes 0.1*0.9
else:
fval.write(name) # val takes 0.1*0.1
else:
ftrain.write(name) # train takes 0.9
ftrainval.close()
ftrain.close()
fval.close()
ftest.close()
然后，命令行运行createImgTxt.py。
$ cd yolov3
$ python createImgTxt.py2. 编写createLabels_and_ImagePaths.py
在darknet根目录下新建createLabels_and_ImagePaths.py文件，这一步不仅将全部xml标签文件转换到txt标签文件，并保存到./data/labels里面，而且生成三个txt文件内含训练集、测试集、验证集图片文件的路径（在本章3.2中将会被使用）
其中，txt标签文件全部保存到./data/labels里面。实际使用时需要把classes数组里的类别名称改成你的类别名称，并且注意记下这个顺序（后面3.2配置文件修改会用，顺序不对会识别结果对不上）。博主的顺序是curry_bag、coffee_bag、red_bag、orange_bag。
# createLabels_and_ImagePaths.py
#-*- coding:utf-8 -*
import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
sets = ['train', 'test','val']
classes = ['curry_bag','coffee_bag','red_bag','orange_bag']
def convert(size, box):
dw = 1. / size[0]
dh = 1. / size[1]
x = (box[0] + box[1]) / 2.0
y = (box[2] + box[3]) / 2.0
w = box[1] - box[0]
h = box[3] - box[2]
x = x * dw
w = w * dw
y = y * dh
h = h * dh
return (x, y, w, h)
def convert_annotation(image_id):
in_file = open('data/Annotations/%s.xml' % (image_id))
out_file = open('data/labels/%s.txt' % (image_id), 'w')
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find('size')
w = int(size.find('width').text)
h = int(size.find('height').text)
for obj in root.iter('object'):
difficult = obj.find('difficult').text
cls = obj.find('name').text
if cls not in classes or int(difficult) == 1:
continue
cls_id = classes.index(cls)
xmlbox = obj.find('bndbox')
b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
float(xmlbox.find('ymax').text))
bb = convert((w, h), b)
out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
wd = getcwd()
for image_set in sets:
if not os.path.exists('data/labels/'):
os.makedirs('data/labels/')
image_ids = open('data/ImageSets/%s.txt' % (image_set)).read().strip().split()
list_file = open('data/takeaway_%s.txt' % (image_set), 'w')
for image_id in image_ids:
list_file.write('%s/data/Images/%s.jpg\n' % (wd, image_id))
convert_annotation(image_id)
list_file.close()然后，命令行运行createLabels_and_ImagePaths.py。
$ cd yolov3
$ python createLabels_and_ImagePaths.py2 初权重准备
命令行输入指令下载，下载到根目录./weights下。
$ cd darknet
$ mkdir weights
$ cd weights
$ wget https://pjreddie.com/media/files/darknet53.conv.74也可以通过博主上传的百度网盘下载呢（馋.jpg）：
链接：https://pan.baidu.com/s/1X_4p68_gDmkOikj0-5QNEQ?pwd=1231
提取码：1231
3 配置信息修改（pjreddie版）
pjreddie版配置信息的修改依然分成两类：
- 参数修改：需要到YOLO网络架构文件里面修改（博主选择了yolov3-voc.cfg文件）
- 文件修改：cfg文件除了包括参数信息，还需要做其他修改以适应识别对象的种类。此外还需要修改data文件和names文件。
【1】yolov3.cfg参数解读 - 玩转机器学习 - 博客园 (cnblogs.com)
3.1 配置参数修改
在./cfg/yolov3-voc.cfg中，修改5项参数的值。
3.2 配置文件修改
- 修改cfg文件
参考博客链接，这个地方这篇讲得很详细：darknet-yolov3训练自己的数据集（超详细） - AnswerThe - 博客园 (cnblogs.com)
在./cfg/yolov3-voc.cfgyolov3-voc.cfg中，总共会搜出3个含有yolo的地方。每个地方都必须要改2处：
filters = 27
classes = 4
其中：filters=3*（5+classes_len），且classes_len为待识别对象种类数目，这里以我的工程为例3*（5+4）=27。此外，可修改：random = 0（是否要多尺度输出，默认是1，显存小可改为0）
- 新建并编写yolo.data文件
在./data/下新建yolo.data文件，写入以下内容，请大家按照自己识别的类别和数据集路径修改。（实际项目val集数据太少，用test集代替之）
- 新建并编写yolo.names文件
在./data/下新建yolo.names文件，由上到下顺序需和本章1.2顺序一致。
五、训练开始及结果使用（pjreddie版）
1 训练与测试
回到darknet根目录，输入以下指令开始训练。（博主电脑只有一个GPU，使用了GPU0，查看GPU序号的操作和第二章3.1一致)
$ cd darknet
$ ./darknet detector train data/yolo.data cfg/yolov3-voc.cfg weights/darknet53.conv.74 -gups 0在这个过程中在backup文件夹下会保存对应迭代次数的中间结果,前1000次内每100次保存一个,超过1000次,每1000保存一次。
参考博客：Darknet——yolo3训练自己的数据集+在ros环境下实现目标检测实战教程（二）——训练自己的权重文件_yolov3评估权重-CSDN博客
训练的结果如下图。
选择一张图片测试，在darknet根目录下可以看到predictions.jpg的更新。
$ ./darknet detect cfg/yolov3-voc.cfg backup/yolov3-voc_900.weights data/Images/coff0018r.jpg2 将训练好的模型运用到darknet_ros
参考博客链接：在ROS中实现darknet_ros(YOLO V3)检测以及训练自己的数据集_darknet_ros编译错误cmake error at /usr/share/cmake-3.5-CSDN博客，这篇后面讲到了使用自己的权重
首先默认大家已经修改过darknet_ros订阅的摄像头topic，可以正确获取到当前摄像头的图像信息。接下来分三步讲解将训练好的模型运用到darknet_ros：
第一步，darknet_ros/darknet_ros/yolo_network_config里面有两个文件夹cfg和weights，把之前用到的yolov3-voc.cfg文件和训练好的权重文件yolov3-voc_900.weights移动到到相应的文件夹。注意cfg文件夹下原有一个yolov3-voc.cfg，因此把我们拖入的文件重命名为yolov3-voc_takeaway.cfg。
第二步，在darknet_ros/darknet_ros/config里面复制yolov3-voc.yaml重命名为yolov3-voc_takeaway.yaml，修改其中内容如下。注意将config_file和weight_file替换成自己训练好的cfg文件和weights文件名。
yolo_model:
config_file:
name: yolov3-voc_takeaway.cfg
weight_file:
name: yolov3-voc_900.weights
threshold:
value: 0.3
detection_classes:
names:
- curry_bag
- coffee_bag
- red_bag
- orange_bag
第三步，进入darknet_ros/darknet_ros/launch，将darknet_ros.launch里面network_param_file修改为自己的yolov3-voc_takeaway.yaml（注意区分该yaml文件和上面的cfg，别弄混），如下：
<!-- ROS and network parameter files -->
<arg name="ros_param_file" default="$(find darknet_ros)/config/ros.yaml"/>
<arg name="network_param_file" default="$(find darknet_ros)/config/yolov3-voc_takeaway.yaml"/>最后，启动摄像头，启动darknet_ros，检查是否能检测出想要的结果。
至此本篇博客就结束啦，我是白熊快跑，如果这篇内容有帮到你，或者想看到更多这样风格的博客，记得关注我哦~
求点赞求收藏，你的点赞和收藏就是对我最大的鼓励！我们下期见~
1504
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
