Yolo v4系列学习（一）Yolo v4代码的初步使用

前言

         Yolo原作者Joseph Redmon之前2月21日宣布退出CV界，以下是他在社交平台上发布的消息：

        感觉甚是遗憾，这里是他在TED上演讲的视频：Joseph Redmon大神在TED上的演讲，可以看看大神的风采！ 

        但是4月24日，YOLO 的官方 Github 账号更新了 YOLO v4 的 arXiv 链接与开源代码链接，迅速引起了 CV 社区的关注：

        Yolo v4的作者共有三位：Alexey Bochkovskiy、Chien-Yao Wang 和 Hong-Yuan Mark Liao。其中一作 Alexey Bochkovskiy 是位俄罗斯开发者，此前曾做出 YOLO 的 windows 版本。Yolo v4在速度和精度有了双提升！与Yolo v3相比，Yolo v4的AP (精度)和 FPS（每秒帧率）分别提高了10%和12%，如下图所示：（图片截图自论文）

        下面开始对 Yolo v4进行学习。

Yolo v4代码的初步使用

1、从如下网址下载darknetAB源码：

https://github.com/AlexeyAB/darknet

2、下载 Yolo v4训练权重：Yolo v4训练权重，将下载好的权重放到darknet目录下即可；

3、打开makefile文件，在编译之前可以修改可选参数以适应于自己的计算机：

        (1)GPU=1，采用GPU加速，采用CUDA进行编译；
        (2)CUDNN=1，采用cuDNN v5-v7进行编译，进行加速训练；
        (3)CUDNN_HALF=1，在Titan V、Tesla V100、DGX-2及更高版本上使用；
        (4)OPENCV=1，使用OpenCV，支持各个版本的OpenCV(4.x/3.x/2.4.x)，可以检测来自网络摄像机或web-cams的视频文件与视频流。

        上述这4个参数是主要修改的，其他参数使用得较少，可暂时不用修改。

4、在darknet目录下执行make进行编译：

make

        编译完成后， 可以看到在当前目录下生成了darknet可执行文件：

5、执行如下指令进行图片检测：

./darknet detector test ./cfg/coco.data ./cfg/yolov4.cfg ./yolov4.weights data/dog.jpg

        至此，就完成了Yolo v4的初步使用。

        顺便记录一个小结果：

        未采用GPU加速时：data/dog.jpg: Predicted in 22394.062000 milli-seconds.
        采用GPU加速时：data/dog.jpg: Predicted in 26.908000 milli-seconds.

        可以看到采用GPU加速后速度快很多，速度提升800多倍。