darknet

文章目录 一、概述 二、Yolo系列全家桶 YOLOv1 开山鼻祖之作 YOLOv2 YOLOv3 YOLOv4 目标检测tricks集大成者 YOLOv5 Fast YOLO Complex-YOLO MV-YOLO YOLO3D YOLO-6D YOLO-LITE Spiking-YOLO DC-SPP-YOLO SpeechYOLO Complexer-YOLO SlimYOLOv3 REQ-YOLO YOLO Nano xYOLO IFQ-Tinier-YOLO DG-YOLO Poly-YOLO E-YOLO PP-YOLO 一、概述 我对yolo系列好感较高，虽不及其他系列的精度，速度，但是他现在已经精度与速度之中做了trade off ，侧端也友好。本文引自我爱计算机视觉，后续我将对这些算法消融对比，关注公众号（原文底部）敬请期待。 YOLO目标检测算法诞生于2015年6月，从出生的那一天起就是“高精度、高效率、高实用性”目标检测算法的代名词。 在原作者Joseph Redmon博士手中YOLO经历了三代到YOLOv3，今年初Joseph Redmon宣告退出计算机视觉研究界后，YOLOv4、YOLOv5相继而出，且不论谁是正统，这YOLO算法家族在创始人拂袖而出后依然热闹非凡。 本文带领大家细数在此名门之中自带“YOLO”的算法，总计 23 项工作

树梅派+Ubunut19.10+YOLOV4实现目标检测 学习了yolov4，记录一下入门操作，可以实现通过树梅派摄像头采集视频，通过PC端中运行yolov4来进行实时目标检测。 实现效果 测试环境准备 树梅派3B( Raspbain-desktop) ubuntu19.10 CUDA 10.1 CUDNN 7.6.5 OPENCV 3.4.4 Opencv_contrib3.4.4 python 2.7 python3.7 gcc -8 g++ -8 实现过程 树梅派中安装mjpg-streamer 参考博客： https://shumeipai.nxez.com/2017/05/14/raspberry-pi-mjpg-streamer-installation.html https://blog.csdn.net/lby0910/article/details/51791862 安装好之后设置mjpg-sreamer自启动 进入树么派/etc/rc.local文件 在exit 0前面添加mjpg-streamer路径如下 cd /home/pi/mjpg-streamer/mjpt-streamer-experimental ./mjpg_streamer -i “./input_raspicam.so” ./output_http.so -w ./www" & 末尾

下载地址 git clone https://github.com/pjreddie/darknet cd darknet make 下载不下来的可以去码云下载 https://gitee.com/mirrors/Darknet?_from=gitee_search wget https://pjreddie.com/media/files/yolov3.weights 然后运行检测器！ ./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg 来源： oschina 链接： https://my.oschina.net/shunshun/blog/4309159

公众号 : 计算机视觉战队 扫码回复： xyolo ，获取下载链接 随着物联网(IoT)、边缘计算和自主机器人等领域的车载视觉处理技术的出现，人们对复合高效卷积神经网络模型在资源受限的硬件设备上进行实时目标检测的需求越来越大。Tiny-YOLO通常被认为是低端设备中速度更快的对象探测器之一，这个也是今天作者工作的基础。 今天要分享的这篇目标检测，在Raspberry PI 3B上实验，Tiny-YOLO可以达到每秒0.14帧的速度，对于足球机器人检测球门和球来说太慢了。今天要说的这个技术，一种改进的YOLO CNN模型xYOLO，它可以在Raspberry PI 3 B上以9.66 FPS的速度实现目标检测，这是通过交换一个可接受的精度来实现的，使网络比Tiny-YOLO快约70倍。在CPU和GPU上也实现了更大的推理速度。此外，还提供了一个带注释的Darknet数据集，用于球门和球的检测。 相关工作 传统上，在机器人杯类人机器人比赛中，基于颜色分割的技术被用来检测足球场的特征，如球门和球。这些技术是快速和可以实现良好的精度在简单的环境，例如使用橙色的球，控制室内照明和黄色的目标。然而，根据RoboCup 2050年的球门，球队已经看到了自然光照条件(暴露在阳光下)、白色背景的球门和各种颜色的国际足联球。基于颜色分割的技术在这些具有挑战性的场景中无法发挥作用

目录 1. 环境搭建 2. 数据集构建 1. xml文件生成需要Labelimg软件 2. VOC2007 数据集格式 3. 创建*.names file, 4. 更新data/coco.data,其中保存的是很多配置信息 5. 更新cfg文件，修改类别相关信息 6. 数据集格式说明 3. 训练模型 4. 测试模型 5. 评估模型 6. 可视化 7. 高级进阶-网络结构更改 1. 环境搭建 将github库download下来。 git clone https://github.com/ultralytics/yolov3.git 建议在linux环境下使用anaconda进行搭建 conda create -n yolov3 python=3.7 安装需要的软件 pip install -r requirements.txt 环境要求： python >= 3.7 pytorch >= 1.1 numpy tqdm opencv-python 其中只需要注意pytorch的安装： 到 https://pytorch.org/ 中根据操作系统，python版本，cuda版本等选择命令即可。 关于深度学习环境搭建请参看： https://www.cnblogs.com/pprp/p/9463974.html anaconda常用用法： https://www.cnblogs.com

摘要： 本文将详细介绍Yolov3的网络结构相关内容。 Yolov3 网络结构 在博客“Yolo发展历史及网络结构”中我们已经详细的解释了Yolov1的网络结构，并简要的提到了Yolov2与Yolov3对于网络结构的改进，本篇博客将详细介绍Yolov3的网络结构，内容比较简单。 Yolov3网络结构图 从图中可以看出，Yolov3主要有以下几部分组成： 输入 基础网络：基础网络是可以根据具体的需求选择，作者原文用的是自己设计的：Darknet-53 YOLOv3网络的三个分支：Y1，Y2，Y3 网络部件介绍 DBL: 如图1左下角所示，也就是代码中的Darknetconv2d_BN_Leaky，是yolo_v3的基本组件。就是卷积+BN+Leaky relu。对于v3来说，BN和leaky relu已经是和卷积层不可分离的部分了(最后一层卷积除外)，共同构成了最小组件。 resn：n代表数字，有res1，res2, … ,res8等等，表示这个res_block里含有多少个res_unit。这是yolo_v3的大组件，yolo_v3开始借鉴了ResNet的残差结构，使用这种结构可以让网络结构更深(从v2的darknet-19上升到v3的darknet-53，前者没有残差结构)。对于res_block的解释，可以在图1的右下角直观看到，其基本组件也是DBL。 concat：张量拼接

Yolov4训练自己的数据集，史上最详细教程（本人多次使用训练，亲测效果不错,小白都可以学会。 代码运行环境Ubuntu18.04+python3.6+显卡1080Ti+CUDA10.0+cudnn7.5.1+OpenCV3.4.6+Cmake3.12.2，详细环境配置安装步骤就不讲解拉，网上教程一大堆。 从github克隆下载源码，链接地址：https://github.com/AlexeyAB/darknet 训练肯定需要使用GPU加速，那么得打开项目里面的makefile文件修改一些参数的值，1-4、7改为1 makefile前面几行：打开GPU 加速，打开opencv，打开libdarknet.so生成开关 GPU=1 CUDNN=1 CUDNN_HALF=1 OPENCV=1 AVX=0 OPENMP=0 LIBSO=1 ZED_CAMERA=0 # ZED SDK 3.0 and above ZED_CAMERA_v2_8=0 # ZED SDK 2.X 编译 在darknet-master目录下运行：cmake.&make -j48 下载与训练权重放在主目录下https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights 百度网盘： 链接

在aistudio服务器上配置深度学习环境 本文采用的百度aistudio服务器配置为NVIDIA-SMI 396.37+ubuntu16.04.1+cuda 9.0+cudnn 7.6.0 安装cuda9.0 wget https://developer.nvidia.com/compute/cuda/9.0/Prod/local_installers/cuda_9.0.176_384.81_linux-run 新建一个目录 : mkdir cuda-9.0 安装cuda : sh cuda_9.0.176_linux-run --silent --toolkit --toolkitpath=$HOME/cuda-9.0 (HOME改为自己的路径) 配置cuda环境 使用 vi ~/.bashrc 命令行打开环境配置文件 在文件末尾添加（注意路径是否需要修改） export PATH = / home / aistudio / cuda - 9.0 / bin$ { PATH : + : $ { PATH } } export LD_LIBRARY_PATH = / home / aistudio / cuda - 9.0 / lib64$ { LD_LIBRARY_PATH : + : $ { LD_LIBRARY_PATH } } source ~/

　　Yolo算法，在进行模型训练时，常常使用VOC数据格式。 　　将图片文件复制到JPEGImages目录下，需要对文件名进行VOC标准格式编号重命名，如2020_000001.jpg，2020_000002.jpg，这样便于voc_label.py来进行后续处理。 　　这个工作如果手工作业，是个体力活。因此使用python脚本来做，可以重复使用。 　　python脚本如下，文件名为renamefiles.py。 1 # -*- coding:utf-8 -*- 2 ​ 3 # 读取指定目录，并将指定后缀的文件名重命名为yyyy_+6位数字编号的文件 4 ​ 5 import sys,os,string 6 import getopt 7 ​ 8 opts, args = getopt.getopt(sys.argv[1:], " hi:p: " , [ " help " , " input= " , " postfix= " ]) 9 ​ 10 def usage(): 11 print (sys.argv[0] + ' -i inputdir -p postfix ' ) 12 print (sys.argv[0] + ' -h #get help info ' ) 13 ​ 14 def rename_files(filepath, postfix): 15 #