分享大佬们写的darknet和yolo的学习
我正在看【进击的YOLOv3，目标检测网络的巅峰之作 | 内附实景大片@慕课网 原创_慕课网_手记】，分享给你，一起看吧！ https://m.imooc.com/mip/article/29342
一、学习YOLOv3
YOLOv3论文
YOLOv3：An Incremental Improvement全文翻译
【目标检测简史】进击的YOLOv3，目标检测网络的巅峰之作
语言生动易懂，适合新手学习，有很多实测的图，效果非常好，展示了YOLOv3的强大！
总结了YOLOv3的改进之处，并对下一代YOLO提出展望
【目标检测简史】YOLOv3的实景大片儿（含源码）
实测看效果，用YOLOv3检测一段视频，截取部分帧展示YOLOv3在小物体或者远处的物体识别、重叠遮挡物体的识别、运动模糊物体的识别、高密度汽车的识别、密集人群识别的效果。
目标检测网络之 YOLOv3
具体讲解了YOLOv1到v2到v3的改进之处，值得学习
如何评价最新的YOLOv3？
知乎话题，一些回答挺好的，各种总结、图表、文章链接
二、实践YOLOv3
YOLOv3官方Linux代码
YOLOv3官方网站
图表展示了YOLOv3的优势，讲解了如何搭建Darknet、下载预训练模型、测试图像、测试视频、用VOC数据集训练模型、用COCO数据集训练模型
YOLOv3: 训练自己的数据
详细讲解了如何制作VOC格式的数据集，将VOC格式的xml文件转换成YOLO格式的txt文件，修改训练相关的配置文件，如何训练自己的模型，如何进行测试，论文阅读
YOLO配置文件理解
详细讲解了YOLOv3配置文件每个参数的意义，以及源码中如何使用这些参数
三、修改YOLOv3
YOLOv3批量测试图片并保存在自定义文件夹下
讲解了如何批量测试图片并保存在自定义文件夹下，给出了代码
YOLOv3使用笔记——计算mAP、recall
讲解了YOLOv3如何计算mAP、recall来衡量模型效果
四、自己使用问题总结
1、运行test,recall,vaild命令时，
2、测试标签上如何添加置信值
由于官方代码测试只标注了类别，标签文字较大。使用过程中希望减小标签，并加上检测的置信值。
修改src/image.c文件draw_detections函数，前面部分代码修改如下：
int i,j;
for(i = 0; i < num; ++i){
char labelstr[4096] = {0};
int class = -1;
char possible[2];//存放检测的置信值
for(j = 0; j < classes; ++j){
sprintf(possible,"%.2f",dets[i].prob[j]);//置信值截取小数点后两位赋给possible
if (dets[i].prob[j] > thresh){
if (class < 0) {
strcat(labelstr, names[j]);
strcat(labelstr, possible);//标签中加入置信值
class = j;
} else {
strcat(labelstr, ", ");
strcat(labelstr, names[j]);
strcat(labelstr, possible);//标签中加入置信值
}
printf("%s: %.0f%%\n", names[j], dets[i].prob[j]*100);
}
}
///////////////////////////后面保持不变//////////////////////////////////////////////
修改src/image.c文件draw_detections函数中get_label函数调用的参数
image label = get_label(alphabet, labelstr, (im.h*.02));
源码中为0.03，修改为0.02后，标签文字减小，可以根据需要调整。
修改代码后需要使用make clean，make重新编译。
加入置信值，减小标签大小后的检测效果图！
3、使用多GPU训练时，由于并行处理，训练迭代次数会一次跳过几轮，导致某些整数次迭代的模型没有保存。
修改example/detector.c文件中的第148行
源代码为：if(i%100000 || (i<1000 && i%1000))//迭代小于1000次，每100次保存模型，大于1000次，每10000次保存模型。
可以根据需要修改训练多少轮保存一个模型，if(i%10000 || (i<1000 && i%1000))，大于1000次，每1000次保存模型。
作者：zhangmt824
来源：CSDN
原文：https://blog.csdn.net/u011649150/article/details/81038645
版权声明：本文为博主原创文章，转载请附上博文链接！