【深度学习】YOLO-Darknet安装与测试

由于最近需要在无人机上做一些目标识别的任务，经过一番调研，决定使用YOLO v3的darknet版本，以方便其在TX2这样的设备上部署

darknet非常容易安装，它只有２个可选择的依赖：
1. Opencv: 能支持更多格式的图像，并且得到实时的显示
2. GPU: 利用GPU计算，能大大提升YOLO的识别帧率，画面更加流畅

安装这两个依赖都必须要先安装基础版yolo

1. 安装基础版yolo

git clone https://github.com/pjreddie/darknet.git
cd darknet
sudo make

• 测试

./darknet

说明安装完成

• 下载权重文件

wget https://pjreddie.com/media/files/yolov3.weights

• 测试检测结果

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

我们没有使用OpenCV编译Darknet，因此无法直接显示检测结果。相反，它将它们保存在/darknet/predictions.png中。您可以打开它来查看检测到的对象。

2. 测试opencv

前提是opencv已经成功安装

• 修改darknet下的Makefile文件第三行值为1
  OPENCV=1

• 重新make工程

make

• 测试

./darknet imtest data/eagle.jpg

会显示很多图片，说明opencv已经配置好了

这样运行darknet后就会有图像输出啦

3. 使用CUDA和OPENCV 编译darknet

前提是cuda已经安装好

• 修改darknet下的Makefile文件

1. 第1-3 行

GPU=1
CUDNN=1
OPENCV=1

如果cuda没有加入环境变量
需要修改

1. 第24行左右

修改为nvcc路径(根据自己的cuda路径修改)

NVCC=/usr/local/cuda-10.0/bin/nvcc

如果你在TX2或TX1 上编译darknet

CSDN-专业IT技术社区-登录​blog.csdn.net/zong596568821xp/article/details/98591012

1. 将前三个设置为1，并将ARCH改为如下

GPU=1
CUDNN=1
OPENCV=1
......
# Note that CUDA architecture of TX2 is “62”, while TX1 “53”.
ARCH= -gencode arch=compute_53,code=[sm_53,compute_53] \
      -gencode arch=compute_62,code=[sm_62,compute_62]

2. 重新make项目

make

3.测试

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

问题

1. cudnn.h

include/darknet.h:16:23: fatal error: cudnn.h: No such file or directory

查看是否安装cudnn

cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

如果输出

cat: /usr/local/cuda/include/cudnn.h: No such file or directory

表示没有安装cudnn

• 安装cudnn

进入官网

https://developer.nvidia.com/cudnn​developer.nvidia.com/cudnn

下载对应cuda版本的cudnn tar文件

tar -xzvf cudnn-*.tar(刚刚下载的文件)

sudo cp cuda/include/cudnn.h /usr/local/cuda/include

sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64

sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

cuDNN的卸载和安装类似,只要把先前拷贝的文件删除即可.

2. CUDA Error: out of memory

darknet: ./src/cuda.c:36: check_error: Assertion `0' failed.
Aborted (core dumped)

更改cfg目录下的yolov3.cfg，把subdivisions=16

改为subdivisions=64即可

主要参考：

https://pjreddie.com/darknet/install/​pjreddie.com/darknet/install/

YOLO-Darknet安装​www.jianshu.com/p/813342202837​编辑

darknet是yolo算法的作者Joseph Redmon使用c语言编写的一个开源卷积神经网络训练框架

如果项目中用到了yolo卷积神经网络模型，darknet框架是你的不二之选

darknet项目开源地址：https://github.com/pjreddie/darknet

darknet作者(也是yolo的主要作者)维护官网：https://pjreddie.com/darknet/

darknet作者给出的安装教程：https://pjreddie.com/darknet/install/

Linux操作小提示：

1、linux下绝大部分命令都可以通过tab键补全，一次tab不行就两次，特别遇到打开比较长的文件名目录时，非常高效，输入开头几个字母，剩下的交给tab键

2、linux终端中复制操作为ctrl+insert（或者ctrl+shift+c），粘贴操作min为shift+insert（或者ctrl+shift+v）

安装前的说明：

想要使用GPU加速功能，显卡必须是NVIDIA的，同时必须在真实硬盘上的操作系统上才能使用，不能使用虚拟机

没有NVIDIA的GPU，也可以使用darknet，只是训练速度相对不快。

一、Linux下安装darknet 
ctrl+Alt+T打开一个linux终端，输入以下命令

git clone https://github.com/pjreddie/darknet.git
这条命令将会从github上克隆darknet最新的版本文件到当前目录下

你也可以先通过cd命令进入到指定的目录下，再使用git clone命令，将darknet下载到指定的目录

 出现错误，未安装git，按照提示进行修复

sudo apt-get update
sudo apt install git

 再次运行git clone命令，成功clone到本地，可以在当前目录下看到darknet文件夹

 

下载的darknet文件夹还无法直接使用，需要先编译一下，生成二进制文件，再由计算机执行二进制文件，才能运行框架

下面开始编译darknet，编译之前需要先安装make（一个自动化的编译工具），如果已安装make，可省略这一步

sudo apt install make
sudo apt install make-guile
 又出现错误了，按照网上教程，删除这两个文件

sudo rm -r -f /var/lib/dpkg/lock-frontend
sudo rm -r -f /var/lib/dpkg/lock
sudo rm -r -f /var/cache/apt/archives/lock
sudo rm -r -f /var/cache/apt/archives
 

依次安装make和make-guile，也可以只安装make，安装make后可通过命令行操作，安装make-guile后可以在GUI界面操作

进入darknet目录，执行make命令，出现错误，gcc也没安装

原谅这是我是刚安装好的linux，只安装了一个搜狗输入法和wps

sudo apt install gcc

再执行make命令进行编译，结果发现g++也没安装，

但这对于我这样的新手来说，error是家常便饭

 继续安装g++

sudo apt install g++

再次执行make，终于成功了

make工具会根据darknet目录下已经存在的Makefile文件来编译源程序文件（darknet源程序用C语言编写），并生成二进制文件

Makefile文件制定了编译的一系列规则，当改变Makefile文件内容后，需要再次执行make命令才能生效

 make完成之后，darknet文件目录下多出了一些文件，其中，darknet为二进制文件，可以看成是darknet框架的运行文件，*.a为静态链接库，*.so为动态链接库

测试安装结果，运行darknet框架，.表示当前目录（..表示上一级目录），darknet就是上一步make生成的二进制文件

./darknet

当出现图中所示结果时，说明我们已经能够使用darknet框架，可以开始yolo训练之旅了

我们可以先使用imtest命令测试图像加载和显示，看一下效果

测试图片为data目录下的egle.jpg，你也可以尝试其它图片

./darknet imtest data/eagle.jpg

出现了一堆长相一样的老鹰的图像，测试成功

根据提示信息，发现我们没有安装OpenCV

我们最好安装一下OpneCv，因为这样可以方便的加载各种格式的图像和视频，还可以调用摄像头

如果不安装OpenCV，也是可以使用darknet的，此时请直接跳到第三步。

（OpencV的作用就是更方便的加载图像和视频，如果不用OpenCV，框架也可以正常运行）

二、OpenCV安装
OpenCV官方安装教程  https://docs.opencv.org/master/d7/d9f/tutorial_linux_install.html

执行cd命令，跳转到指定目录下，（..表示回到上一级目录）

OpencV有稳定版和最新版两种，本文使用最新版本，详情请看OpenCv官网

1、从github上克隆最新的OpenCV核心库到本地

cd ..
git clone https://github.com/opencv/opencv.git

当发现下载速度比较慢的时候可以考虑直接从github上下载zip文件到本地

下载地址：https://github.com/opencv/opencv

2、克隆OpenCV的扩展库OpenCV_Contrib到本地，如果不安装扩展库，也是可以使用OpenCV的，但是建议安装

git clone https://github.com/opencv/opencv_contrib.git
同样，如果觉得下载过慢，可以直接到github下载zip文件到本地 

github 下载地址：https://github.com/opencv/opencv_contrib

移动扩展库文件到opencv目录下，并提取文件（解压）

终端解压命令：unzip 文件名，也可鼠标右键提取文件

注意文件名后缀，git clone时没有master后缀，使用zip下载时有master后缀

3、添加opencv所需要的依赖库

下面三条命令是官方给出的

sudo apt-get install build-essential
sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev
sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev
第一条命令安装了一个build-essential库，可以方便的进行编译

编译程序有了这个软件，它才知道头文件和库函数在哪，最后才形成一个开发环境。

第二条命令安装了一个cmake、git等等软件，其中cmake是一个跨平台的编译工具，比make更加高级

第二条命令安装了一些库，包括python等等

执行第三条安装命令时出错，主要是libjasper-dev无法安装，需要添加镜像源，执行下面的命令解决

sudo add-apt-repository "deb http://security.ubuntu.com/ubuntu xenial-security main"
sudo apt update
 

再执行第三条命令

4、开始编译OpenCV

在opencv目录下创建文件夹 build（可以根据自己习惯命名为其他名字）

cd opencv
mkdir build
cd build
 在编译前查看opencv_contrib文件夹名称，如果采用git下载，那就是这个名称

如果是zip下载后解压，文件名就是opencv_contrib_master，可以考虑重命名为opencv_contrib

使用cmake编译opencv及其扩展库源文件到当前目录下，OpenCV默认安装路径为/usr/local

注意命令中结尾的扩展库源文件名要与实际保持一致，请自行确认

如果没有下载扩展库，那么OPENCV_EXTRA...及之后的命令不再需要

在build目录下，执行下面命令

cmake -D CMAKE_INSTALL_PREFIX=/usr/local -D CMAKE_BUILD_TYPE=Release -D OPENCV_EXTRA_MODULES_PATH=../opencv_contrib/modules ..
cmake能够生成一系列的cmake等文件和最终的MAkefile文件，再由make工具调用Makefile等文件进行最后的编译

 cmake成功 

 使用make编译opencv

cd opencv/build
make
 编译过程非常漫长，如果处理器有多个核的话，可以将make替换为以下命令加快编译速度

make -j4
参数4代表使用4核，根据自己的硬件情况选择 ，make命令默认使用1核

 make编译成功

 注意：可能会发生internal compiler error: Killed (program cc1plus)错误

这是因为虚拟机内存不足，可以考虑暂时给虚拟机分配大一点的内存，编译完成后再恢复原来的设置

在bulid目录执行以下命令，安装使用opencv所需要的库

sudo make install

5、测试安装结果

输入下面命令可查看当前OpencV安装版本

opencv_version

6、在Python中使用opencv

python
import cv2
 当没有出现任何错误提示时，表示我们可以在python程序中使用OpenCV

7、在darknet中使用opencv

如果安装了OpenCV，并且要启用opencv的话，打开darknet目录下的Makefile文件，将第三行改为OPENCV=1

修改Makefile文件后需要再次make，才能生效

make
 make之后出现以下错误信息，没有发现opencv

 解决办法，安装一个OpencV依赖包libopencv-dev

sudo apt install libopencv-dev

再次make后成功

 如果上述还不能解决，尝试以下解决办法

安装搜索工具mlocate

sudo apt-get install mlocate
 定位文件opencv.pc

locate *opencv.pc*

选择一个添加到环境变量中

sudo gedit /etc/profile
 在文件的最后一行加上类似这样的一句

export PKG_CONFIG_PATH=/home/lishan/miniconda3/lib/pkgconfig/:$PKG_CONFIG_PATH
 注意：请根据自己搜索到的路径设置，上面是我的路径，仅供参考

加载环境变量，再次编译（以后每次编译前都要先加载环境变量文件）

source /etc/profile
make
 

三、CUDA安装
只有NVIDIA的显卡（一般以GTX、RTX开头）才支持CUDA，如果没有NVIDIA的显卡，请直接到第四步

CUDA是英伟达推出的通用并行计算架构（这个通用意思是支持英伟达自家的所有显卡），利用这个架构，可以把一部分计算工作交给GPU，特别是图像处理中的大规模矩阵运算，这样可以加快模型的训练和处理速度。

使用命令下面查询当前主机上的显卡设备

lspci | grep VGA

 遗憾的是，虚拟机上的显卡是模拟的，所以即使主机安装了NVIDIA的显卡，在虚拟机中还是无法安装CUDA

所以，要想安装cuda，并使用gpu加速，必须将linux系统安装在真实硬盘上，同时显卡得是NVIDIA的才行

四、yolo下载
在darknet-->cfg目录下(config的缩写)，可以看到yolo模型各种版本的配置文件

只有配置文件还不行，需要下载yolo网络训练权重文件

我们下载yolov3的权重文件（已经训练好的文件），执行以下命令

cd darknet
wget https://pjreddie.com/media/files/yolov3.weights
权重文件237MB左右，同样，如果觉得下载过慢，可以使用一些下载工具，比如xdown，复制链接，下载即可

再从windows下复制粘贴文件到darknet目录下

当然你可以放在任意位置，但是要记住它的路径，因为后面需要用到这个文件

回过头来，在darknet->data文件夹下有几张示例图片，比如这张经典的小狗

我们将尝试使用刚才下载的yolov3权重文件和yolov3的配置文件对这张小狗进行检测

运行一下检测效果

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
刚才的命令是一个简写版，它与下面的完整版的命令功能一致

./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg
 上面的命令表示：运行darknet框架进行测试，其中

数据指向文件为./darknet/cfg/coco.data（默认）

网络配置文件为./darknet/cfg/yolo3.cfg

网络权重文件为./darknet/yolov3.weights

待检测图片为./darknet/data/dog.jpg

输出检测图片默认保存在darknet目录下

下面是见证奇迹的时刻

识别到三个物体，分别是dog、truck、bicycle，花费时间33秒左右，如果使用GPU，这个时间要短一些

保存的图片在darknet目录下，名字为predictions.jpg

你可以尝试使用data目录下的其他图片进行检测

未完待续，下一节我们将讨论yolo模型的一些理论知识

附1 xdown下载链接（只支持windows）：https://xdown.org/

附2 XDM下载链接（支持windows、linux、mac）https://subhra74.github.io/xdm/ 

 安装命令：

#进入文件所在目录，根据自己情况修改
cd 下载/xdm-setup-7.2.10
 
#运行安装脚本
sudo sh install.sh
 

双击启动XDM

新建一个下载任务，粘贴下载链接

附3：Chrome浏览器的中文翻译

进行深度学习时，我们不可避免的会浏览英文网页，对于英语基础不是很好的朋友来说，这似乎是一种痛苦。

所以我推荐使用Chrome浏览器，因为在浏览英文网页时，鼠标右键可以看到翻译中文模式，如下

但是我还是建议大家克服英语的恐惧，从一些常见的单词慢慢熟悉，通过单词翻译软件，有意识的记忆，

日积月累，英语网页的阅读速度会慢慢提高
————————————————

                            版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
                        
原文链接：https://blog.csdn.net/lishan132/article/details/106347679/