YOLOv3目标检测源码运行笔记（PyTorch版本）——Testing模式

1. 论文基本信息

• 论文标题：YOLOv3: An Incremental Improvement
• 论文作者：Joseph Redmon（University of Washington）等人
• 论文出处：arXiv 2018
• 在线阅读：https://arxiv.org/pdf/1804.02767.pdf
• 源码链接 1：https://pjreddie.com/darknet/yolo/ （官方）
• 源码链接 2：https://github.com/ayooshkathuria/pytorch-yolo-v3 （PyTorch）
• 源码链接 3：https://github.com/eriklindernoren/PyTorch-YOLOv3 （PyTorch）
• 源码链接 4：https://github.com/qqwweee/keras-yolo3 （Keras）
• 源码链接 5：https://github.com/mystic123/tensorflow-yolo-v3 （TensorFlow）

注： 本笔记用的源码方案为上述链接2，即黄色高亮的链接。

---

2. 运行环境介绍

• NVIDIA GTX 1070
• Ubuntu 16.04 x64
• CUDA 8.0.61 for Ubuntu 16.04
• cuDNN 5.1 for CUDA 8.0
• Python 3.5
• PyTorch 0.4.0
• OpenCV 3.1.0 for Python 3.5（opencv3-3.1.0-py35_0.tar.bz2）
• Pillow 5.4.1 for Python 3.5（Pillow-5.4.1-cp35-cp35m-manylinux1_x86_64.whl）
• Pandas 0.24.1 for Python 3.5（pandas-0.24.1-cp35-cp35m-manylinux1_x86_64.whl）
• pytz 2018.9（pytz-2018.9-py2.py3-none-any.whl）

---

3. 准备

S1. 安装OpenCV，可以先下载离线文件，然后运行命令conda install ~/Downloads/opencv3-3.1.0-py35_0.tar.bz2进行安装（路径要与实际情况一致）。

S2. 安装Pillow，可以用命令pip install Pillow进行安装。

S3. 安装Pandas，可以用命令pip install pandas进行安装。
（注： pip在线安装Pandas的过程中，pip会自动安装其依赖pytz，因此无需单独安装pytz）

S4. 下载源码并解压（采用链接2版本的的源码）。

S5. 下载YOLOv3的weights文件yolov3.weights，并存放到源码的根目录下。下载地址：https://pjreddie.com/media/files/yolov3.weights 。如果网络不稳定，可以在这里下载（包含网络文件以及全套源码）：https://download.csdn.net/download/discoverer100/11052774

S6. 在源码根目录中创建一个空文件夹det作为输出目录，用于存放检测后带有标注的图像。

---

4. 运行

S1. 准备任意一幅待检测的图片文件。

S2. 在终端中，cd到源码的根目录，然后运行如下命令：

python detect.py --images 121018-linkin-1-640x426.jpg --det det

其中图片文件的文件名要与实际情况一致，最后一个参数值det就是自己前面创建的输出文件夹名。算法执行时会有如下输出：

进入到自己创建的det输出目录，可以看到输出的检测结果，如下图所示：

其他运行效果示例：