深度学习目标检测之——YOLO-v3目标检测（windows端调用）

前言

目前基于深度学习的目标检测越来越火，其准确度很高。笔者采用Yolo-v3实现目标检测。Yolo-v3基于darknet框架，该框架采用纯c语言，不依赖来其他第三方库，相对于caffe框架在易用性对开发者友好(笔者编译过数次caffe才成功)。本文基于windows平台将yolo-v3编译为动态链接库dll,测试其检测性能。

New, python接口的YOLO-v3, !!!, 走过不要错过

---

为了方便测试，本人将测试通过的Visual Studio工程贴出来
Yolov3-windows测试工程
链接：https://pan.baidu.com/s/1i6ZK2ZCGzWbfWT1-_fUTzg
提取码：rj9o

复制这段内容后打开百度网盘手机App，操作更方便哦

image.png

(https://upload-images.jianshu.io/upload_images/11478104-38a8683cb7a03a38.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)

---

开发环境

• windows 10 x64
• Visual Studio 2017
• opencv3.4.0
• darknet 笔者直接fork自AlexeyAB/darknet

动态链接库.dll的编译过程就不再赘述，相信熟悉C++,编译过opencv的小伙伴都很容易，本文测试使用的的cpu-only版本，笔者编译过cpu-only, gpu两个版本的yolo-v3 dll，需要dll的请点赞支持哦。

---

Yolo-v3

• 代码 C++,opencv
  需要的文件可以在darknet链接下载打到：

1. yolov3.cfg，yolov3的网络结构描述文件
2. yolov3.weights，yolov3训练好的权重文件，在coco数据集上训练的
3. coco.names, coco数据集的目标类别文件

#include
#include
#include

using namespace std;
using namespace cv;

const string CFG_FILE = "darknet-master\\cfg\\yolov3.cfg";
const string WEIGHT_FILE = "yolov3.weights";
const string COCO_NAMES = "darknet-master\\cfg\\coco.names";


class Object
{
public:
    Object();
    Object::Object(int id, float confidence, Rect rect, String name);
    ~Object();

public:
    int id;
    float confidence;
    Rect rect;
    String name;

private:

};

Object::Object() {
}

Object::Object(int id,float confidence,Rect rect,String name) {
    this->id = id;
    this->confidence = confidence;
    this->rect = rect;
    this->name = name;
}

Object::~Object() {
}


int main() {

    //--------------------------实例化一个Yolo检测器---------------------------
    Detector yolo_detector(CFG_FILE, WEIGHT_FILE);

    //读取目标类别文件,80类
    vector classNames;
    ifstream fileIn(COCO_NAMES, ios::in);
    if (!fileIn.is_open()) {
        cerr << "failed to load COCO.names!" << endl;
        return -1;
    }
    for (int i = 0; i < 80; i++) {
        char temp1[100];
        fileIn.getline(temp1, 100);
        string temp2(temp1);
        classNames.push_back(String(temp2));

    }

    //---------------------------加载输入图像-----------------------------------
    auto image = Detector::load_image("7.jpg");
    cout << "图像宽度=" << image.w << endl
        << "图像高度=" << image.h << endl
        << "图像通道=" << image.c << endl;

    //-----------------------------目标检测---------------------------------------
    TickMeter t;
    t.start();
    auto res = yolo_detector.detect(image);
    t.stop();
    cout << "YOLO-v3检测时间=" << t.getTimeSec() << "sec" << endl;

    //----------------------------解析检测结果---------------------------------------
    vector