YOLO

YOLO是用来检测 Pascal VOC 2012 数据集目标的系统。他能检测到20 pascal 物体种类：

• person
• bird, cat, cow, dog, horse, sheep
• aeroplane, bicycle, boat, bus, car, motorbike, train
• bottle, chair, dining table, potted plant, sofa, tv/monitor

工作原理：

所有的预先检测系统都重构了分类器或者定位器来进行检测。他们将一幅在不同位置和大小的图放到模型中。图中的高得分区被认为是检测目标。

但是yolo使用了一个完全不同的方式。我们将简单的卷积网络放到一整幅图像中。这个网络将图像分成不同的区域并且预测边界框和每个区域的概率。这些边界框由预测概率加权。

最后我们可以通过一些阈值，以便只看到高得分区域。

several advandges：................

使用预先训练好的模型进行检测：

已经存在cfg/目录。可以下载已经训练好的权重。

wget http://pjreddie.com/media/files/yolo.weights./darknet yolo test cfg/yolo.cfg yolo.weights data/dog.jpg

在data/文件夹下面已经存在一些示例图像。假设你的weight file在base目录下：

./darknet yolo test cfg/yolo.cfg yolo.weights data/dog.jpg

多个图像的输入检测：

迷你模型：

tiny-yolo.cfg基于Darknet参考网络。 您应该已经在cfg /子目录中具有配置文件。 在此下载预训练的权重（103 MB）。 然后你可以运行模型！

wget http://pjreddie.com/media/files/tiny-yolo.weights./darknet yolo test cfg/tiny-yolo.cfg tiny-yolo.weights data/person.jpg

yolo模型的比较：

yolo.cfg基于提取网络。以45fps处理图像，权重文件基于2007train/val+2012train/val训练。

tiny-yolo。cfg小的多，基于darknet参考网络。以155fps处理图像，权重文件基于2007train/val+2012train/val训练。

阈值调整：

./darknet yolo test cfg/yolo.cfg yolo.weights data/dog.jpg -thresh 0

自己训练图像：

下面是如何让它在Pascal VOC数据集上工作。

step1：download database

train data will be in VOCdevkit/ subdirectory

step2: generate Labels

like:

using ./scripts/voc_label.py to generate labels

these labels will be set in

VOCdevkit/VOC2007/labels/ and VOCdevkit/VOC2012/labels/

cat 2007_* 2012_train.txt > train.txt -------you can choose pictures you like

step3:

现在去你的Darknet目录。 我们将必须更改yolo的train子例程以将其指向您的VOC数据副本.

src/yolo.c

18 char *train_images = "/home/pjreddie/data/voc/test/train.txt";19 char *backup_directory = "/home/pjreddie/backup/";

train_images应该指向刚刚生成的train.txt文件，backup_directory应该指向一个目录，您希望在训练期间存储备份权重文件。编辑完毕后，make

step4:

下载已经训练好的卷积权重

step5：

./darknet yolo train cfg/yolo.train.cfg extraction.conv.weights