Darknet YoloV3学习笔记

一、当前配置

Win10 专业版 x64位、vs2017 、Opencv4.0、 Cuda10.0、cuDNN7.4.1

二、环境配置流程

darknet是一个用c和cuda编写的开源神经网络框架，可以用它来训练或是推理。

yolo是一种对象检测模型，对象检测就是在一张图像中找出若干对象，比如一只猫或者一只狗，并指出他们在图像中的具体位置。将darknet与yolo结合，对图像进行识别，准确率有了很大的提高。

1. 安装vs2017

2. 安装opencv

   添加opencv\build\x64\vc14\bin路径到环境变量path中

3. 安装cuda

   1. 下载地址：https://developer.nvidia.com/cuda-toolkit-archive
      环境配置：

   CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.0
   CUDA_LIB_PATH = %CUDA_PATH%\lib\x64
   CUDA_BIN_PATH = %CUDA_PATH%\bin
   CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\win64
   CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64

   注意：CUDA _PATH与CUDA _PATH_V10_0是CUDA安装时自动添加的；
   然后将下列变量添加到path中

   %CUDA_LIB_PATH%
   %CUDA_BIN_PAHT%
   %CUDA_SDK_BIN_PAHT%
   %CUDA_SDK_LIB_PATH%

4. 安装cuDnn

   1. 下载地址：https://developer.nvidia.com/rdp/cudnn-archive

   解压完后就可以将里面bin、include、lib文件夹中的内容分别拷入Cuda的安装目录下

5. 配置darknet

   修改工程文件后，添加include等配置项，才能编译成功。
   将…\opencv\build\x64\vc14\bin下的opencv_world400.dll 和opencv_ffmpeg400_64.dll 复制到 …\darknet-master\build\darknet\x64 目录下。

三、darknet用法

test表示检测，train表示训练，valid表示验证，recall表示测试其召回率，demo为调用摄像头的实时检测

• 检测
  darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
• 训练
  darknet.exe detector train data/obj.data yolo-obj.cfg darknet53.conv.74 如果是在原来基础上继续训练的话，把权重文件换成原来的那个即可
• 测试
  darknet.exe detector test data/obj.data yolo-obj.cfg yolo-obj_100.weights

四、使用darknet训练yolov3的模型

官方说明

1. 在darknet-master\build\darknet\x64 新建yolo-obj.cfg文件（可以直接复制yolov3.cfg,然后重命名为yolo-obj.cfg）

2. 将batch 改成64 ：batch=64，如果内存溢出 改小点并且将random改成0关闭多尺度训练；
   将subdivisions 改成8 ：subdivisions=8;
   将每个yolo下（共有3处）的classes改成你自己的类的数量 ：classes = 1（我的是1类）;

   将每个yolo上面第一个convolutional下的filters改成你自己的大小，计算方法是： filters=(classes + 5)x3 ,由于我的是1类，所以我的filters=18;
   修改max_batches和steps;
   注：其中batch表示batchsize，而subdivisions是为了解决想要大batchsize而显存又不够的情况，每次代码只读取batchsize/subdivisions 个图像，如图中设置为64/16=4，但是会将16次的结果也就是64张图的结果，作为一个batch来统一处理（调用的时候再将testing部分解除注释，并将train部分注释）

3. 在build\darknet\x64\data\下新建obj.names文件，里面写入你的类名，每个类名占一行。

4. 在build\darknet\x64\data\下新建obj.data文件 类别改成自己的数量，其他不变

classes=1
train = data/train.txt
valid = data/test.txt
names = data/obj.names
backup = backup/

5. 将所有样本图片和txt标签 放到：build\darknet\x64\data\obj\下

6. 在build\darknet\x64\data\下新建train.txt，内容为要训练的图片，每行一个。

7. 将darknet的预训练权重放入build\darknet\x64 文件：darknet53.conv.74

8. 修改网络配置文件Makefile（在\darknet-master路径下） 开启了哪个 哪个就设置为1 没开就设置为0

9. cd进入darknet-master\build\darknet\x64路径，然后输入：darknet.exe detector train data/obj.data yolo-obj.cfg darknet53.conv.74 开始训练。 每1000次迭代会在build\darknet\x64\backup\ 目录下生成一次权重文件

10. darknet.exe detector test data/obj.data yolo-obj.cfg yolo-obj_last.weights（最后的权重改为你自己的权重）。终端会提醒你输入图片路径，然后你输入测试图片的绝对路径即可看到效果。

11. darknet.exe detector train data/obj.data yolo-obj.cfg xxx…weights xxx.weights作为预权重文件训练，因为包含所有层，相当于恢复快照训练，会从已经保存的迭代次数往下训练。如果cfg中迭代次数没改，所以不会继续训练，直接保存结束。

12. 监测视频中的目标，并且输出到mp4文件。

    darknet detector demo data/obj.data yolov3-tiny-obj.cfg yolov3-tiny-obj_10000.weights ./Video_20190523113300603.avi -out_filename test_result.mp4