小白教程：Ubuntu下使用Darknet/YOLOV3训练自己的数据集

小白教程：Ubuntu下使用Darknet/YOLOV3训练自己的数据集

YOLOV3官网教程:https://pjreddie.com/darknet/yolo/

使用预训练模型进行检测

git clone https://github.com/pjreddie/darknet(如果安装不了，先试试sudo apt-get install git)
cd darknet
make
wget https://pjreddie.com/media/files/yolov3.weights
./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。 相反，它将它们保存在predictions.png中。 您可以打开它以查看检测到的对象。

多个图像
./darknet detect cfg/yolov3.cfg yolov3.weights

输入图片路径：

data/horses.jpg

可以在darknet文件夹下看到prediction.jpg

它将提示您尝试更多路径来尝试不同的图像。完成后Ctrl-C用于退出程序。
更改检测阈值
默认情况下，YOLO仅显示检测到的置信度为.25或更高的对象。您可以通过将-thresh 标志传递给yolo命令来更改此设置。例如，要显示所有检测，您可以将阈值设置为0：

  ./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg -thresh 0

微小的YOLOv3
对于受限环境，我们有一个非常小的模型yolov3-tiny。要使用此模型，请先下载权重：

wget https://pjreddie.com/media/files/yolov3-tiny.weights
然后使用微小的配置文件和权重运行检测器：

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

网络摄像头上的实时检测
如果您看不到结果，则在测试数据上运行YOLO并不是很有趣。而不是在一堆图像上运行它让我们在网络摄像头的输入上运行它！
要运行此演示，您需要使用CUDA和OpenCV编译Darknet。然后运行命令：
使用CUDA编译（按照这个博客安装CUDAhttps://blog.csdn.net/jonms/article/details/79318566）
CPU上的Darknet速度很快，但它在GPU上的速度要快500倍！你必须有一个Nvidia GPU，你必须安装CUDA（

安装CUDA后，Makefile将基本目录中的第一行更改为：

GPU=1

现在您可以make启用项目和CUDA。默认情况下，它将在系统的第0个图形卡上运行网络（如果您正确安装了CUDA，则可以使用列出您的图形卡nvidia-smi）。如果你想更改Darknet使用的卡，你可以给它一个可选的命令行标志-i ，如：

./darknet -i 1 imagenet test cfg/alexnet.cfg alexnet.weights

如果您使用CUDA进行编译但想要进行CPU计算，无论出于何种原因您都可以使用-nogpuCPU来代替：

./darknet -nogpu imagenet test cfg/alexnet.cfg alexnet.weights

享受您新的超快速神经网络！

使用OpenCV进行编译
默认情况下，Darknet stb_image.h用于图像加载。如果你想要更多支持奇怪的格式，你可以使用OpenCV！OpenCV还允许您查看图像和检测，而无需将其保存到磁盘。

首先安装OpenCV。如果你从源代码执行此操作，它将是漫长而复杂的，因此请尝试让包管理器为您执行此操作。

接下来，将第二行更改为Makefile：

OPENCV=1

你完成了！要试一试，首先要重新开始make。

然后使用imtest例程来测试图像加载和显示：

./darknet imtest data/eagle.jpg

如果你有一堆老鹰的窗户，你就成功了！他们可能看起来像：

继续前面的网络摄像头上的实时检测

  ./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights

YOLO将显示当前的FPS和预测类以及在其上绘制边界框的图像。

您需要连接到OpenCV可以连接的计算机的网络摄像头，否则它将无法工作。如果您连接了多个网络摄像头并想要选择使用哪个网络摄像头，则可以传递标记-c 以进行选择（OpenCV 0默认使用网络摄像头）。

如果OpenCV可以读取视频，您也可以在视频文件上运行它：这就是我们制作YouTube视频的方式。

./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights <video file>

关于VOC的培训YOLO
如果您想要使用不同的训练方案，超参数或数据集，您可以从头开始训练YOLO。以下是如何使其在Pascal VOC数据集上运行。
获取Pascal VOC数据
要训​​练YOLO，您将需要2007年至2012年的所有VOC数据。您可以在此处找到数据的链接。要获取所有数据，在darknet下新建一个文件夹VOCdevkit，并从该目录运行：

wget https://pjreddie.com/media/files/VOCtrainval_11-May-2012.tar
wget https://pjreddie.com/media/files/VOCtrainval_06-Nov-2007.tar
wget https://pjreddie.com/media/files/VOCtest_06-Nov-2007.tar
tar xf VOCtrainval_11-May-2012.tar
tar xf VOCtrainval_06-Nov-2007.tar
tar xf VOCtest_06-Nov-2007.tar

为VOC生成标签
现在我们需要生成Darknet使用的标签文件。Darknet希望.txt每个图像都有一个文件，图像中的每个地面实况对象都有一行，如下所示：

<object-class> <x> <y> <width> <height>

其中x，y，width，和height相对于图像的宽度和高度。要生成这些文件，需要执行如下操作。

wget https://pjreddie.com/media/files/voc_label.py
python voc_label.py
ls

cat 2007_train.txt 2007_val.txt 2012_*.txt > train.txt

将2007和2012所有训练文件放在一个一起。
修改Pascal数据的Cfg
现在转到Darknet目录。我们必须更改cfg/voc.data配置文件以指向您的数据：<