数据集标注工具安装要求
- Windows或Linux
- 对于现代CUDA支持，CMake> = 3.8：https：//cmake.org/download/
- CUDA 10.0：https：//developer.nvidia.com/cuda-toolkit-archive（在Linux上执行安装后操作）
- OpenCV> = 2.4：使用您首选的包管理器（brew，apt），使用vcpkg从源代码构建或从OpenCV官方站点下载（在Windows上设置系统变量
OpenCV_DIR=C:\opencv\build- 其中是include和x64文件夹图像） - 对于CUDA 10.0，cuDNN> = 7.0 https://developer.nvidia.com/rdp/cudnn-archive（在Linux副本上
cudnn.h，libcudnn.so......如此处所述）https://docs.nvidia.com/deeplearning/sdk/cudnn-install /index.html#installlinux-tar上的Windows拷贝cudnn.h，cudnn64_7.dll，cudnn64_7.lib这里desribed https://docs.nvidia.com/deeplearning/sdk/cudnn-install/index.html#installwindows） - CC> = 3.0的GPU：https：//en.wikipedia.org/wiki/CUDA#GPUs_supported
- 在Linux GCC或Clang上，在Windows MSVC 2015/2017/2019上 https://visualstudio.microsoft.com/thank-you-downloading-visual-studio/?sku=Community
在Windows上使用Cmake-GUI以下IMAGE进行编译：配置 - >生成器的可选平台（设置：x64） - >完成 - >生成 - >打开项目 - > x64和发布 - >构建 - >构建解决方案
编译上的Linux通过使用命令make（或可替代的方式，通过使用命令：cmake . && make）
预先训练的模型
有不同cfg文件的权重文件（较小的大小 - >更快的速度和更低的准确性：
yolov3-openimages.cfg（247 MB COCO Yolo v3） - 需要4 GB GPU-RAM：https：//pjreddie.com/media/files/yolov3-openimages.weightsyolov3-spp.cfg（240 MB COCO Yolo v3） - 需要4 GB GPU-RAM：https：//pjreddie.com/media/files/yolov3-spp.weightsyolov3.cfg（236 MB COCO Yolo v3） - 需要4 GB GPU-RAM：https：//pjreddie.com/media/files/yolov3.weightsyolov3-tiny.cfg（34 MB COCO Yolo v3 tiny） - 需要1 GB GPU-RAM：https： //pjreddie.com/media/files/yolov3-tiny.weightsyolov2.cfg（194 MB COCO Yolo v2） - 需要4 GB GPU-RAM：https：//pjreddie.com/media/files/yolov2.weightsyolo-voc.cfg（194 MB VOC Yolo v2） - 需要4 GB GPU-RAM：http：//pjreddie.com/media/files/yolo-voc.weightsyolov2-tiny.cfg（43 MB COCO Yolo v2） - 需要1 GB GPU-RAM：https：//pjreddie.com/media/files/yolov2-tiny.weightsyolov2-tiny-voc.cfg（60 MB VOC Yolo v2） - 需要1 GB GPU-RAM：http：//pjreddie.com/media/files/yolov2-tiny-voc.weightsyolo9000.cfg（186 MB Yolo9000型号） - 需要4 GB GPU-RAM：http：//pjreddie.com/media/files/yolo9000.weights
把它放在编译的附近：darknet.exe
您可以通过路径获取cfg文件： darknet/cfg/
Yolo v3在其他框架中
- TensorFlow：使用mystic123或jinyu121项目和TensorFlow-lite将
yolov3.weights/cfg文件转换为yolov3.ckpt/pb/meta： - Intel OpenVINO 2019 R1 :( Myriad X / USB Neural Compute Stick / Arria FPGA）：阅读本手册
- OpenCV-dnn是CPU（x86 / ARM-Android）上非常快速的DNN实现，使用
yolov3.weights/cfgwith：C ++示例，Python示例 - PyTorch> ONNX> CoreML> iOS如何将cfg / weights-files转换为pt-file：ultralytics / yolov3和iOS App
- YOLOv3的TensorRT（推理速度提高约 70％）：DeepStream 4.0本身支持Yolo
- TVM - 将深度学习模型（Keras，MXNet，PyTorch，Tensorflow，CoreML，DarkNet）编译成各种硬件后端（CPU，GPU，FPGA和专用加速器）上的最小可部署模块：https：//tvm.ai/about
数据集
- MS COCO：用于
./scripts/get_coco_dataset.sh获得标记的MS COCO检测数据集 - OpenImages：
python ./scripts/get_openimages_dataset.py用于标记列车检测数据集 - Pascal VOC：
python ./scripts/voc_label.py用于标记Train / Test / Val检测数据集 - ILSVRC2012（ImageNet分类）：使用
./scripts/get_imagenet_train.sh（也imagenet_label.sh用于标记有效集） - 德语/比利时/俄语/ LISA / MASTIF流量标志数据集用于检测 - 使用此解析器：https：//github.com/angeligareta/Datasets2Darknet#detection-task
如何在命令行上使用
在Linux上使用./darknet而不是darknet.exe像这样：./darknet detector test ./cfg/coco.data ./cfg/yolov3.cfg ./yolov3.weights
在Linux上找到./darknet根目录中的可执行文件，而在Windows上找到它在目录中\build\darknet\x64
- Yolo v3 COCO - 图片：
darknet.exe detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights -thresh 0.25 - 对象的输出坐标：
darknet.exe detector test cfg/coco.data yolov3.cfg yolov3.weights -ext_output dog.jpg - Yolo v3 COCO - 视频：
darknet.exe detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights -ext_output test.mp4 - Yolo v3 COCO - WebCam 0：
darknet.exe detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights -c 0 - 网络视频摄像的 Yolo v3 COCO - Smart WebCam：
darknet.exe detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights http://192.168.0.80:8080/video?dummy=param.mjpg - Yolo v3 - 保存结果videofile res.avi：
darknet.exe detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights test.mp4 -out_filename res.avi - Yolo v3 Tiny COCO - 视频：
darknet.exe detector demo cfg/coco.data cfg/yolov3-tiny.cfg yolov3-tiny.weights test.mp4 - 允许来自软件或Web浏览器
ip-address:8070和8090的多个连接的JSON和MJPEG服务器：./darknet detector demo ./cfg/coco.data ./cfg/yolov3.cfg ./yolov3.weights test50.mp4 -json_port 8070 -mjpeg_port 8090 -ext_output - Yolo v3 Tiny on GPU＃1：
darknet.exe detector demo cfg/coco.data cfg/yolov3-tiny.cfg yolov3-tiny.weights -i 1 test.mp4 - 替代方法Yolo v3 COCO - 图像：
darknet.exe detect cfg/yolov3.cfg yolov3.weights -i 0 -thresh 0.25 - 在Amazon EC2上训练，使用以下网址查看mAP和损失图表：
http://ec2-35-160-228-91.us-west-2.compute.amazonaws.com:8090在Chrome / Firefox中（Darknet应使用OpenCV编译）：./darknet detector train cfg/coco.data yolov3.cfg darknet53.conv.74 -dont_show -mjpeg_port 8090 -map - 186 MB Yolo9000 - 图片：
darknet.exe detector test cfg/combine9k.data cfg/yolo9000.cfg yolo9000.weights - 如果您使用cpp api构建应用程序，请记住将data / 9k.tree和data / coco9k.map放在应用程序的同一文件夹下
- 要处理图像列表
data/train.txt并将检测结果保存到result.json文件使用：darknet.exe detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights -ext_output -dont_show -out result.json < data/train.txt - 处理图像列表
data/train.txt并保存检测结果以result.txt供使用：darknet.exe detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights -dont_show -ext_output < data/train.txt > result.txt - 伪标签 - 处理图像列表
data/new_train.txt并以Yolo训练格式保存每个图像的检测结果作为标签<image_name>.txt（这样可以增加训练数据量）使用：darknet.exe detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights -thresh 0.25 -dont_show -save_labels < data/new_train.txt - 计算锚点：
darknet.exe detector calc_anchors data/obj.data -num_of_clusters 9 -width 416 -height 416 - 要检查mAP @ IoU = 50的准确性：
darknet.exe detector map data/obj.data yolo-obj.cfg backup\yolo-obj_7000.weights - 要检查mAP @ IoU = 75的准确性：
darknet.exe detector map data/obj.data yolo-obj.cfg backup\yolo-obj_7000.weights -iou_thresh 0.75
如何在Linux上编译
只是make在darknet目录中。在make之前，您可以在Makefile：link中设置这些选项
GPU=1用CUDA构建以使用GPU加速（CUDA应该在/usr/local/cuda）CUDNN=1使用cuDNN v5-v7构建以使用GPU加速训练（cuDNN应该在/usr/local/cudnn）CUDNN_HALF=1构建Tensor核心（在Titan V / Tesla V100 / DGX-2及更高版本上）加速检测3x，训练2xOPENCV=1使用OpenCV 4.x / 3.x / 2.4.x构建 - 允许检测来自网络摄像机或网络摄像头的视频文件和视频流DEBUG=1可以调试Yolo的版本OPENMP=1使用OpenMP支持构建，通过使用多核CPU来加速YoloLIBSO=1构建使用此库的库darknet.so和二进制可运行文件uselib。或者您可以尝试运行LD_LIBRARY_PATH=./:$LD_LIBRARY_PATH ./uselib test.mp4如何从您自己的代码中使用此SO库 - 您可以查看C ++示例：https：//github.com/AlexeyAB/darknet/blob/master/src/yolo_console_dll.cpp 或者使用这样的方式：LD_LIBRARY_PATH=./:$LD_LIBRARY_PATH ./uselib data/coco.names cfg/yolov3.cfg yolov3.weights test.mp4ZED_CAMERA=1建立一个支持ZED-3D-camera的库（应该安装ZED SDK），然后运行LD_LIBRARY_PATH=./:$LD_LIBRARY_PATH ./uselib data/coco.names cfg/yolov3.cfg yolov3.weights zed_camera
要在Linux上运行Darknet，请使用本文中的示例，./darknet而不是darknet.exe使用，即使用此命令：./darknet detector test ./cfg/coco.data ./cfg/yolov3.cfg ./yolov3.weights
