AlexeyAB DarkNet YOLOv3框架解析與應(yīng)用實(shí)踐（一）

Darknet: C語言中的開源神經(jīng)網(wǎng)絡(luò)

Darknet是一個(gè)用C和CUDA編寫的開源神經(jīng)網(wǎng)絡(luò)框架。它速度快，易于安裝，支持CPU和GPU計(jì)算。您可以在GitHub上找到源代碼，也可以在這里關(guān)于Darknet可以做什么的信息：

1. Installing Darknet

Darknet易于安裝，只有兩個(gè)可選依賴項(xiàng)：

OpenCV，如果你想要更廣泛的支持圖像類型。

如果你想計(jì)算GPU的話，安裝CUDA。

兩者都是可選的，所以讓我們從安裝基本系統(tǒng)開始。我只在Linux和Mac電腦上測試過。

Installing
The Base System

首先在這里獲取Darknet git存儲(chǔ)庫。這可以通過以下方式實(shí)現(xiàn)：

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

cd darknet

make

如果這有效，你會(huì)看到一大堆編譯信息飛馳而過：

mkdir -p obj

gcc -I/usr/local/cuda/include/ -Wall -Wfatal-errors -Ofast…

gcc -I/usr/local/cuda/include/ -Wall -Wfatal-errors -Ofast…

gcc -I/usr/local/cuda/include/ -Wall -Wfatal-errors -Ofast…

…

gcc
-I/usr/local/cuda/include/ -Wall
-Wfatal-errors -Ofast -lm…

如果你有任何錯(cuò)誤，試著去修正它們？如果一切看起來都編譯正確，請嘗試運(yùn)行它！

./darknet

你應(yīng)該得到輸出：

usage: ./darknet

使用CUDA編譯

CPU上的Darknet速度很快，但是GPU上的速度快了500倍！你必須有一個(gè)Nvidia的GPU，你必須安裝CUDA。我不會(huì)詳細(xì)介紹CUDA的安裝，因?yàn)樗芸膳隆?/p>

安裝CUDA后，將基本目錄中Makefile的第一行更改為：

GPU=1

現(xiàn)在你可以做這個(gè)項(xiàng)目，CUDA將被啟用。默認(rèn)情況下，它將在系統(tǒng)的第0個(gè)圖形卡上運(yùn)行網(wǎng)絡(luò)（如果正確安裝了CUDA，則可以使用nvidia smi列出圖形卡）。如果要更改Darknet使用的卡，可以給它一個(gè)可選的命令行標(biāo)志-i，例如：

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

如果您使用CUDA編譯，但出于任何原因希望進(jìn)行CPU計(jì)算，則可以使用-nogpu來代替CPU：

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

用OpenCV編譯

默認(rèn)情況下，Darknet使用stb_image.h加載圖像。如果你想更多的支持奇怪的格式（像CMYK jpeg），你可以使用OpenCV代替！OpenCV還允許您查看圖像和檢測，而無需將它們保存到磁盤。

首先安裝OpenCV。如果從源代碼處執(zhí)行此操作，則會(huì)很長且很復(fù)雜，因此請嘗試讓包管理器為您執(zhí)行此操作。

接下來，將Makefile的第2行更改為：

OPENCV=1

完成了！嘗試一下，首先重新做一個(gè)項(xiàng)目。然后使用imtest例程測試圖像加載和顯示：

./darknet imtest data/eagle.jpg

2. YOLO：實(shí)時(shí)目標(biāo)檢測

你只看一次（YOLO）是一個(gè)最先進(jìn)的實(shí)時(shí)物體檢測系統(tǒng)。在Pascal Titan X上，它以每秒30幀的速度處理圖像，在COCO test-dev上有57.9%的mAP。

與其他檢測模型的比較

YOLOv3非常快速和準(zhǔn)確。在0.5 IOU處測得的mAP中，YOLOv3與焦距損失相當(dāng)，但速度快了約4倍。此外，可以輕松地權(quán)衡速度和準(zhǔn)確性之間的簡單改變模型的大小，無需再訓(xùn)練！

工作原理

先前的檢測系統(tǒng)重新利用分類器或定位器來執(zhí)行檢測。他們將模型應(yīng)用于多個(gè)位置和比例的圖像。圖像的高分區(qū)域被認(rèn)為是檢測。

使用完全不同的方法。將單一的神經(jīng)網(wǎng)絡(luò)應(yīng)用于完整的圖像。該網(wǎng)絡(luò)將圖像分為多個(gè)區(qū)域，并預(yù)測每個(gè)區(qū)域的包圍盒和概率。這些邊界框由預(yù)測的概率加權(quán)。

與基于分類器的系統(tǒng)相比，我們的模型有幾個(gè)優(yōu)點(diǎn)。它在測試時(shí)查看整個(gè)圖像，因此它的預(yù)測由圖像中的全局上下文通知。它也用單一的網(wǎng)絡(luò)評估來預(yù)測，不像R-CNN這樣的系統(tǒng)需要數(shù)千張單一的圖像。這使得它非常快，比R-CNN快1000倍，比R-CNN快100倍。有關(guān)完整系統(tǒng)的詳細(xì)信息，請參閱我們的論文。

總結(jié)

以上是生活随笔為你收集整理的AlexeyAB DarkNet YOLOv3框架解析与应用实践（一）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。