全新服务器配置YOLO+Darknet环境

全新服务器配置YOLO+Darknet环境

背景

7月4日主要配置了导师给的全新Windows服务器,RTX2080Ti+内存32G,配置还是可以的,花了大概一天半的时间配置了Yolo环境吧,在这里记录下配置信息。

配置信息

VS2015---->C:\Program Files (x86)\Microsoft Visual Studio 14.0
CUDA10.0---->C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0
Cudnn7.5.0---->D:\cudnn-10.0-windows10-x64-v7.5.0.56.zip
Opencv---->D:\Opencv
Pycharm2020---->D:\Pycharm\PyCharm 2020.1.2
darknet---->D:\darknet-master
Yolo---->D:\darknet-master\build\darknet\x64

总结:

这一年下来吧,装环境已经是非常顺手的事情了,记得大半年前配置Yolo用了一个星期,特别苦恼,但是现在已经非常得心应手了,而且也很快,这也是一种成长吧。7月5日也开始训练安全帽,先训练着看看吧,不行的话再找问题。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
YOLO(You Only Look Once)是一种目标检测算法,而Darknet是一个用于实现YOLO算法的开源框架。 YOLO算法的特点是将目标检测任务看作是一个单次前向传递的回归问题,它将整个图像分成多个网格,并对每个网格预测边界框和类别概率。这种设计使得YOLO在速度上非常高效,可以实时地进行目标检测。 Darknet是一个用C语言编写的轻量级神经网络框架,专门用于实现YOLO算法。它提供了一个简单而灵活的接口,可以用于训练和测试YOLO模型。 为了使用YOLODarknet,你需要进行以下几个步骤: 1. 配置和编译Darknet:首先,你需要下载Darknet框架并解压。然后,你可以根据你的需求修改Makefile文件以配置编译选项。通过运行"make"命令,你可以生成可执行的Darknet文件。 2. 自定义数据集:为了训练YOLO模型,你需要准备一个数据集。你可以创建一个.data文件来配置数据集的路径、类别数量等信息。 3. 配置网络参数:YOLO模型的配置文件是一个.cfg文件。你可以修改yolov4-tiny.cfg文件中的filters和classes参数来适应你的数据集。 4. 训练模型:使用以下命令开始训练你的YOLO模型: ./darknet detector train datasets/attackgiant/attackgiant.data cfg/yolov4-tiny-attackgiant.cfg -map 5. 测试模型:为了测试你的模型,你需要下载预训练的权重文件。你可以从YOLOv4 model zoo下载yolov4.weights,并将其放置在当前目录下。然后,可以使用以下命令进行测试: ./darknet detector test ./cfg/coco.data ./cfg/yolov4.cfg ./yolov4.weights data/dog.jpg -i 0 -thresh 0.25 或者你可以直接运行一个名为image_yolov4.sh的脚本。 这些是使用YOLODarknet进行目标检测的基本步骤。通过逐步调整和训练,你可以获得更好的检测结果。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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