YOLO:You Only Look Once运行记录（Ubuntu14.04+GT750M）

最新推荐文章于 2024-08-08 07:36:33 发布
最新推荐文章于 2024-08-08 07:36:33 发布
阅读量4.2k 收藏 3
点赞数
分类专栏： 深度学习 文章标签： YOLO 目标检测 深度学习
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。
本文链接：https://blog.csdn.net/u013832707/article/details/53438574
版权

YOLO是自己实现的框架darknet，并不是基于caffe，虽然Github上有基于caffe的实现。YOLO的编译很快，tinyYOLO的速度确实也非常高，不过准确度是真的低。

记录一下YOLO利用摄像头获取图像并进行目标检测的过程：

首先去github下载darknet并解压。

安装CUDA（仅支持NVIDIA独立显卡）,参考博客Ubuntu软件安装记录：CUDA+ROS+QT+sougouinput+有道词典 。

安装OPENCV2：sudo apt-get install libopencv-dev

修改Makefile中对应的：GPU=1，OPENCV=1

编译：make

输入：./darknet imtest data/eagle.jpg测试是否安装成功，成功的话会显示很多图片。

下载weights参数：下载tiny-yolo-voc.weights。在根目录下建立weights文件夹，保存该weights文件。

输入命令：./darknet detector demo cfg/voc.data cfg/tiny-yolo-voc.cfg weights/tiny-yolo-voc.weights
即开始调用摄像头运行。
这里写图片描述

遇到的错误：

nvcc  -gencode arch=compute_20,code=[sm_20,sm_21] -gencode arch=compute_30,code=sm_30 -gencode arch=compute_35,code=sm_35 -gencode arch=compute_50,code=[sm_50,compute_50] -gencode arch=compute_52,code=[sm_52,compute_52]  -DOPENCV `pkg-config --cflags opencv`  -DGPU -I/usr/local/cuda/include/ --compiler-options "-Wall -Wfatal-errors  -Ofast -DOPENCV -DGPU" -c ./src/convolutional_kernels.cu -o obj/convolutional_kernels.o
/bin/sh: 1: nvcc: not found
make: *** [obj/convolutional_kernels.o] Error 127

解决方法：

export PATH=/usr/local/cuda-8.0/bin:$PATH

export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64:$LD_LIBRARY_PATH
持久决心
关注
专栏目录
Ubuntu18.04下YOLOv3详解——搭建、训练、测试、评估
夜夜coding到天明的博客
07-29 1万+
YOLOv3——搭建、训练、测试、评估环境搭建模型训练模型测试模型评估插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 环境搭建 我们对Markdown编辑器进行了一些功能拓展与语...
【yolo】在Ubuntu上训练yolov5模型
Zimu的博客
03-01 1298
（如果是有点基础的，我想你应该能自己搞定！（2）可以直接二通过git仓库从github上克隆，如果无法访问gibhub,可以从gitee上获取yolov5源码。１.　在主机上安装anaconda，（anaconda是什么，怎么装，请查阅相关资料，本文只提供大致步骤和方案）还有models目录下的yaml文件也需要修改一下，找到相应的yaml文件，修改nc的参数即可。----conda activate [你的刚刚创建的虚拟环境]----２.　一台服务器（有GPU）（我的装了Ubuntu）
YOLO ROS：为ROS打造的实时物体检测工具
最新发布
gitblog_00175的博客
08-08 346
YOLO ROS：为ROS打造的实时物体检测工具 darknet_rosYOLO ROS: Real-Time Object Detection for ROS项目地址:https://gitcode.com/gh_mirrors/da/darknet_ros 项目介绍 YOLO ROS是一个专为ROS（机器人操作系统）设计的实时物体检测包。基于YOLO（You Only Look Once）技...
yolo5测评-ubuntu环境下
热门推荐
识物专栏
10-23 2万+
vim ~/.condarc channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/ show_channel_...
配置yolo2（ubuntu16.04+cuda8.0）
abc869788668的博客
09-11 2170
opencv3.1 安装 下载 http://opencv.org/releases.html 安装介绍 http://www.cnblogs.com/xiaomanon/p/5490281.html http://www.cnblogs.com/asmer-stone/p/5089764.html CUDA8.0安装 查询GPU是否支持CUDA https://dev
Ubuntu18.04安装yolo4+cpu版 (最新最详细图文)
向日葵骑士的博客
08-24 1254
文章目录前言：博主的电脑配置一、下载yolo4源码二、修改Makefile 编译配置文件三、编译四、测试安装情况4.1 命令行检测4.2 图片案例检测检查OpenCV版本总结 前言：博主的电脑配置 CPU: AMD R7 GPU： 博主没有独立显卡， 用的是共享内存的核显。我没有NVIDIA的显卡 系统：Ubuntu18.04 安装的是没有GPU加速的YOLO4 提示：以下是本篇文章正文内容，下面案例可供参考 一、下载yolo4源码 方法一：命令行安装 git clone https://githu.
YOLO（You Only Look Once）开发课程体系+编程知识+技术开发
06-12
YOLO（You Only Look Once）开发课程体系+编程知识+技术开发；YOLO（You Only Look Once）开发课程体系+编程知识+技术开发；YOLO（You Only Look Once）开发课程体系+编程知识+技术开发；YOLO（You Only Look Once）...
YOLO（You Only Look Once）开发案例：实时车辆检测+编程知识+技术开发
06-13
YOLO（You Only Look Once）开发案例：实时车辆检测+编程知识+技术开发； YOLO（You Only Look Once）开发案例：实时车辆检测+编程知识+技术开发； YOLO（You Only Look Once）开发案例：实时车辆检测+编程知识+技术...
YOLO（You Only Look Once）：实时对象检测详解.md
08-04
YOLO（You Only Look Once）实时对象检测算法的原理、架构、实现、训练和应用。YOLO通过将对象检测视为单一的回归问题，在一次前向传递中预测图像中的边界框和类别标签，具有高效、实时、准确的优势。文章涵盖了YOLO...
YOLO（You Only Look Once）开发详细教程.pdf
06-03
### YOLO（You Only Look Once）开发详细教程知识点概览 #### 一、引言：YOLO原理及优势 - **YOLO简介**：YOLO（You Only Look Once）是一种实时目标检测算法，能够在单次图像扫描中完成对象识别与定位。 - **实时...
【目标检测】YOLO: You Only Look Once
shenxiaolu1984的专栏
12-21 5668
YOLO目标检测算法详解
Ubuntu16.04下YOLO V3训练自己的数据集（超详细））
10-13
Ubuntu16.04下YOLO-V3的配置方法，里面添加了一些配置成功的网址，实测有效
Ubuntu配置Yolov8环境并训练自己的数据集 + ROS实时运行
zardforever123的博客
11-10 1万+
简单介绍了Yolov8的环境环境配置以及训练自己数据集的方法一、环境配置与功能测试 1.1 安装 目标检测 实例分割 分类 姿态检测 训练数据标注 数据集训练方法 命令训练 代码训练
ubuntu下快速实现yolo v3目标检测
乐观的lishan的博客
06-17 4084
摘要：本文以尽可能少的步骤和安装命令，实现在最短的时间内搭建yolo的运行环境，让yolo在你的电脑上跑起来的目的，这些简化的命令是作者在多次安装之后的经验下总结的，希望对刚入手yolo的朋友有所帮助。yolo的运行环境有darknet、opencv、cuda、cudnn，根据硬件情况，又可分为cpu版本和gpu版本两种，其中gpu环境是在cpu的环境基础上增加了cuda和cudnn。必须注意的是，只有nvidia的显卡才支持gpu运行环境。
Ubuntu22.04安装YOLOv5,anaconda,cuda,pycharm步骤
qq_55679637的博客
05-30 1262
主要是牛马打工人最近突然接到通知，说要做一个人脸识别的功能，然后我作为“nm”就被迫接了，有一说一，这玩意儿真是ex,因为我笨，看不懂，而且大多数都是因为，真nm服了,为了以后的打工牛，少走弯路，我就想着做一个步骤。
ubuntu20部署yolov5环境 详细版 pytorch
Study__ing_的博客
06-25 1841
详细的介绍ubuntu20配置yolov5环境
YOLOv5目标检测宝宝级教程：ubuntu1804从零开始使用YOLOv5训练自己的数据集（亲测有效，一步一步来一定行）
llzzll22244的博客
01-25 3376
本文基于ubuntu18.04使用自己制作的数据集在YOLOv5上进行训练，记录了一个完整的过程
ubuntu配置yolov5环境
z3447643805的博客
10-11 1643
由于在线安装容易出现安装失败，所以本文使用的是本地安装。可以输入python进入pyrhon环境，导包测试，没有报错和能输出版本信息则安装成功了。直接去github上下载就可以了。
ubuntu使用YOLOv7训练自己的数据集
m0_60657960的博客
11-01 840
一般标注的数据格式是VOC，而YOLOv7能够直接使用的是YOLO格式的数据，因此下面将介绍如何将自己的数据集转换成可以直接让YOLOv7进行使用。评估模型好坏就是在有标注的测试集或者验证集上进行模型效果的评估，在目标检测中最常使用的评估指标为mAP。batch-size：一次看完多少张图片才进行权重更新，梯度下降的mini-batch,显卡不行你就调小点。epochs：指的就是训练过程中整个数据集将被迭代多少次,显卡不行你就调小点。其中best.pt是训练好的权重路径，需要改成自己权重文件路径。
基于YOLO (You only look once)、进行目标识别的算法代码
07-11
对于基于YOLO的目标识别算法，以下是一个简单的代码示例： ```python import cv2 import numpy as np # 加载YOLO模型 net = cv2.dnn.readNet("yolov3.weights", "yolov3.cfg") # 获取所有类别名称 with open("coco.names", "r") as f: classes = f.read().splitlines() # 加载图像并进行预处理 img = cv2.imread("image.jpg") height, width, _ = img.shape # 构建输入blob blob = cv2.dnn.blobFromImage(img, 1/255.0, (416, 416), swapRB=True, crop=False) # 设置输入blob到网络中 net.setInput(blob) # 运行前向传播以获取输出层 output_layers_names = net.getUnconnectedOutLayersNames() layer_outputs = net.forward(output_layers_names) # 初始化列表来存储检测结果 boxes = [] confidences = [] class_ids = [] # 遍历每个输出层 for output in layer_outputs: # 遍历每个检测框 for detection in output: scores = detection[5:] class_id = np.argmax(scores) confidence = scores[class_id] if confidence > 0.5: # 将检测结果的坐标映射回原始图像空间 center_x = int(detection[0] * width) center_y = int(detection[1] * height) w = int(detection[2] * width) h = int(detection[3] * height) # 使用检测结果构建边界框 x = int(center_x - w / 2) y = int(center_y - h / 2) # 存储边界框、置信度和类别ID boxes.append([x, y, w, h]) confidences.append(float(confidence)) class_ids.append(class_id) # 应用非极大值抑制来去除重叠的边界框 indexes = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4) # 绘制边界框和类别标签 font = cv2.FONT_HERSHEY_PLAIN colors = np.random.uniform(0, 255, size=(len(classes), 3)) for i in range(len(boxes)): if i in indexes: x, y, w, h = boxes[i] label = classes[class_ids[i]] confidence = confidences[i] color = colors[class_ids[i]] cv2.rectangle(img, (x, y), (x + w, y + h), color, 2) cv2.putText(img, f"{label} {confidence:.2f}", (x, y - 5), font, 1, color, 2) # 显示结果图像 cv2.imshow("Image", img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 请确保已经下载了YOLO的权重文件（`yolov3.weights`）、配置文件（`yolov3.cfg`）和类别名称文件（`coco.names`）。你可以从YOLO官方网站下载这些文件。 这段代码加载了YOLO模型并使用它在图像上进行目标识别。它将检测到的目标用边界框和类别标签进行绘制，并显示结果图像。请注意，此代码示例仅适用于YOLOv3模型，如果你使用其他版本的YOLO模型，可能需要相应地进行修改。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值