linux运行yolo,第十八节，linux环境下配置yolo网络

ubuntu18.04+CUDA8.0+GTX1080Ti+yolov3+Opencv3.1.0详细配置

系统配置：

内存：16GiB

处理器：Intel Core i7-9700K CPU 3.60GHz*8

图形：GeForce GTX1080 Ti/PCle/SSE2

GNOME:3.28.2

操作系统：64位

磁盘：500GB

查看gpu驱动版本：

sudo nvidia-smi

Driver Version：390.116

安装CUDNN7.5版本：网上都有教程。

查看显卡信息时突然显示NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver. Make sure that the latest NVIDIA driver is installed and running.

平台linux+官网教程https://pjreddie.com/darknet/yolo  按照官网教程。

环境：ubuntu18.04

显卡：GTX1080Ti

1) Region 82 Avg IOU: 0.874546, Class: 0.983519, Obj: 0.984566, No Obj: 0.008776, .5R: 1.000000, .75R: 0.750000,  count: 4

Region 94 Avg IOU: 0.686372, Class: 0.878314, Obj: 0.475262, No Obj: 0.000712, .5R: 1.000000, .75R: 0.200000,  count: 5

Region 106 Avg IOU: 0.893751, Class: 0.762553, Obj: 0.388385, No Obj: 0.000089, .5R: 1.000000, .75R: 1.000000,  count: 1

三个尺度上预测不同大小的框，82卷积层为最大预测尺度，使用较大的mask，可以预测出较小的物体，94卷积层 为中间预测尺度，使用中等的mask， 106卷积层为最小预测尺度，使用较小的mask，可以预测出较大的物体。

详解：

Region Avg IOU: 表示在当前subdivision内的图片的平均IOU，代表预测的矩形框和真实目标的交集与并集之比。

Class: 标注物体分类的正确率，期望该值趋近于1。

Obj: 越接近1越好。

No Obj: 期望该值越来越小，但不为零。

count: count后的值是所有的当前subdivision图片中包含正样本的图片的数量。

1: 806.396851, 806.396851 avg, 0.000000 rate, 1.457291 seconds, 64 images

1： 指示当前训练的迭代次数

806.396851：是总体的Loss(损失)

806.396851 avg：是平均Loss，这个数值应该越低越好，一般到0.几的时候就可直接退出训练。

0.000000 rate：代表当前的学习率，是在.cfg文件中定义的。

1.843955 seconds：表示当前批次训练花费的总时间。

64 images：这一行最后的这个数值是1*64的大小，表示到目前为止，参与训练的图片的总量。

安装darknet

git clone https://github.com/pjreddie/darknet.git

cd darknet

make

nvidia-smi指令    watch -n 10 nvidia-smi：每个10s刷新显卡占用情况

指令中间连着的不加空格。

第一栏的Fan：风扇转速，从0到100%之间变动，这个速度是计算机期望的风扇转速不是实际转速。有的设备不会返回转速，因为它不依赖风扇冷却。

第二栏的Temp：是温度。

第三栏的Perf：是性能状态，从P0到P12，P0表示最大性能，P12表示状态最小性能。

第四栏下方的Pwr：是能耗，上方的Persistence-M：是持续模式的状态，持续模式虽然耗能大，但是在新的GPU应用启动时，花费的时间更少，这里显示的是off的状态。

第五栏的Bus-Id是涉及GPU总线的东西，domain:bus:device.function

第六栏的Disp.A是Display Active，表示GPU的显示是否初始化。

第五第六栏下方的Memory Usage是显存使用率。

第七栏是浮动的GPU利用率。

第八栏上方是关于ECC的东西。

第八栏下方Compute M是计算模式。

下载权重：

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

测试程序：

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

或者

./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg

layer filters size input output

0 conv 32 3 x 3 / 1 416 x 416 x 3 -> 416 x 416 x 32 0.299 BFLOPs

1 conv 64 3 x 3 / 2 416 x 416 x 32 -> 208 x 208 x 64 1.595 BFLOPs

.......

105 conv 255 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 255 0.353 BFLOPs

106 detection

truth_thresh: Using default '1.000000'

Loading weights from yolov3.weights...Done!

data/dog.jpg: Predicted in 0.029329 seconds.

dog: 99%

truck: 93%

bicycle: 99%