最近要把物体检测模型用到整个系统中，系统采用的语言是C++，没办法，只能用darknet了～yolov3在速度和准确率上都表现的很出色，在这里讲下如何安装配置darknet。

首先：

git clone https://github.com/pjreddie/darknet
cd darknet
make

接着下载yolov3.weights，放入到darknet文件夹下。

最后：

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg


但是这种方式是CPU版的，速度特别慢，改一下，使其能够调用GPU。其实就是修改darket中的Makefile文件。

gedit Makefile

把其中的GPU=0，OPENCV=0改成，GPU=1，OPENCV=1。然后：

make

这时速度就会很快。

layer     filters    size              input                output0 conv     32  3 x 3 / 1   608 x 608 x   3   ->   608 x 608 x  32  0.639 BFLOPs1 conv     64  3 x 3 / 2   608 x 608 x  32   ->   304 x 304 x  64  3.407 BFLOPs2 conv     32  1 x 1 / 1   304 x 304 x  64   ->   304 x 304 x  32  0.379 BFLOPs3 conv     64  3 x 3 / 1   304 x 304 x  32   ->   304 x 304 x  64  3.407 BFLOPs4 res    1                 304 x 304 x  64   ->   304 x 304 x  645 conv    128  3 x 3 / 2   304 x 304 x  64   ->   152 x 152 x 128  3.407 BFLOPs6 conv     64  1 x 1 / 1   152 x 152 x 128   ->   152 x 152 x  64  0.379 BFLOPs7 conv    128  3 x 3 / 1   152 x 152 x  64   ->   152 x 152 x 128  3.407 BFLOPs8 res    5                 152 x 152 x 128   ->   152 x 152 x 1289 conv     64  1 x 1 / 1   152 x 152 x 128   ->   152 x 152 x  64  0.379 BFLOPs10 conv    128  3 x 3 / 1   152 x 152 x  64   ->   152 x 152 x 128  3.407 BFLOPs11 res    8                 152 x 152 x 128   ->   152 x 152 x 12812 conv    256  3 x 3 / 2   152 x 152 x 128   ->    76 x  76 x 256  3.407 BFLOPs13 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs14 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs15 res   12                  76 x  76 x 256   ->    76 x  76 x 25616 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs17 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs18 res   15                  76 x  76 x 256   ->    76 x  76 x 25619 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs20 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs21 res   18                  76 x  76 x 256   ->    76 x  76 x 25622 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs23 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs24 res   21                  76 x  76 x 256   ->    76 x  76 x 25625 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs26 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs27 res   24                  76 x  76 x 256   ->    76 x  76 x 25628 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs29 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs30 res   27                  76 x  76 x 256   ->    76 x  76 x 25631 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs32 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs33 res   30                  76 x  76 x 256   ->    76 x  76 x 25634 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs35 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs36 res   33                  76 x  76 x 256   ->    76 x  76 x 25637 conv    512  3 x 3 / 2    76 x  76 x 256   ->    38 x  38 x 512  3.407 BFLOPs38 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs39 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs40 res   37                  38 x  38 x 512   ->    38 x  38 x 51241 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs42 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs43 res   40                  38 x  38 x 512   ->    38 x  38 x 51244 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs45 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs46 res   43                  38 x  38 x 512   ->    38 x  38 x 51247 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs48 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs49 res   46                  38 x  38 x 512   ->    38 x  38 x 51250 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs51 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs52 res   49                  38 x  38 x 512   ->    38 x  38 x 51253 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs54 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs55 res   52                  38 x  38 x 512   ->    38 x  38 x 51256 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs57 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs58 res   55                  38 x  38 x 512   ->    38 x  38 x 51259 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs60 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs61 res   58                  38 x  38 x 512   ->    38 x  38 x 51262 conv   1024  3 x 3 / 2    38 x  38 x 512   ->    19 x  19 x1024  3.407 BFLOPs63 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs64 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs65 res   62                  19 x  19 x1024   ->    19 x  19 x102466 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs67 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs68 res   65                  19 x  19 x1024   ->    19 x  19 x102469 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs70 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs71 res   68                  19 x  19 x1024   ->    19 x  19 x102472 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs73 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs74 res   71                  19 x  19 x1024   ->    19 x  19 x102475 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs76 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs77 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs78 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs79 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs80 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs81 conv    255  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 255  0.189 BFLOPs82 yolo83 route  7984 conv    256  1 x 1 / 1    19 x  19 x 512   ->    19 x  19 x 256  0.095 BFLOPs85 upsample            2x    19 x  19 x 256   ->    38 x  38 x 25686 route  85 6187 conv    256  1 x 1 / 1    38 x  38 x 768   ->    38 x  38 x 256  0.568 BFLOPs88 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs89 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs90 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs91 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs92 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs93 conv    255  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 255  0.377 BFLOPs94 yolo95 route  9196 conv    128  1 x 1 / 1    38 x  38 x 256   ->    38 x  38 x 128  0.095 BFLOPs97 upsample            2x    38 x  38 x 128   ->    76 x  76 x 12898 route  97 3699 conv    128  1 x 1 / 1    76 x  76 x 384   ->    76 x  76 x 128  0.568 BFLOPs100 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs101 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs102 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs103 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs104 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs105 conv    255  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 255  0.754 BFLOPs106 yoloLoading weights from yolov3.weights...Done!
data/dog.jpg: Predicted in 0.502108 seconds.
dog: 100%
truck: 92%
bicycle: 99%

Ubuntu18.04下安装配置darknet相关推荐

  1. Ubuntu18.04下安装MySQL

    提示:以下操作均在root权限下进行. # 查看有没有安装MySQL: dpkg -l | grep mysql # 安装MySQL: apt install mysql-server 安装完成之后可 ...

  2. ubuntu18.04下安装中文输入法

    ubuntu18.04下安装中文输入法 windows下使用习惯了某款中文输入法,现在使用Ubuntu系统,也想和在windows下一样使用中文输入法,发现该输入法已经有了Linux版本,果断下载下来 ...

  3. ubuntu18.04下安装grafana6和简单使用

    ubuntu18.04下安装grafana6 环境 ubuntu18.04 下载 sudo apt-get install -y adduser libfontconfig1 # 使用wget 下载会 ...

  4. 在ubuntu18.04下安装标签软件labelme

    在ubuntu18.04下安装标签软件labelme 在论坛里面看到很多前辈在ubuntu16.04下安装软件labelme,索性模仿他们尝试了一下,看了很多的博客和论坛,尝试了很多的方法,最终仍然与 ...

  5. ubuntu18.04下安装GPU实例

    ubuntu18.04下安装GPU实例 以下是用到的命令去安装GPU 测试显卡驱动是否安装成功 如何改变文本的样式 插入链接与图片 如何插入一段漂亮的代码片 生成一个适合你的列表 创建一个表格 设定内 ...

  6. DELF: DEep Local Features在Ubuntu20.04下安装配置

    提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 DELF: DEep Local Features在Ubuntu20.04下安装配置 一.安装Ubuntu20.04后配置深度学习环境 ...

  7. Ubuntu18.04下安装NVIDIA显卡驱动、docker、nvidia-docker；容器中编译安装opencv-4.4.0与darknet-yolov4并完成测试；容器封装镜像转移。2022

    记录一下第一次在CSDN发博客,欢迎大家光临~ 文章目录 前言 一.宿主机配置 1.安装Ubunntu18.04 64位系统 2.为宿主机系统更换国内软件源Ubuntu 官方源服务器在欧洲,国内访问很 ...

  8. 【服务器管理】Ubuntu18.04下安装TensorRT(已经安装CUDA和cudnn的情况下)

    本人实践经历 在运行深度学习项目,常常遇到警告内容: 021-06-16 15:51:21.131229: W tensorflow/stream_executor/platform/default/ ...

  9. Ubuntu18.04下安装深度学习框架Pytorch（GPU加速）

    前面我们已经在windows10环境下成功安装了CPU版本的Pytorch,推荐的是利用Anaconda安装. 经过接近一天的奋战,博主成功在linux系统安装GPU加速的pytorch,博主使用的发 ...

  10. Ubuntu18.04下安装openfoam的一种方法

    总体方法步骤 配置:win10/Ubuntu18.04双系统 参考东岳流体安装方法 官网下载安装包 更新软件源 sudo apt update 安装编译openfoam的工具 sudo apt-get ...

最新文章

  1. shell下 使用心得
  2. mybatis 分页需要的jar包下载_064、MyBatis
  3. 最保险的函数间数组作为参数值传递与返回方法,用memcpy函数
  4. PAT (Basic Level) Practise 1040 有几个PAT（DP）
  5. [工作积累] shadow map问题汇总
  6. 简易的CRM系统案例之SpringMVC+JSP+MySQL+hibernate框架版本
  7. TeamCity : .NET Core 插件
  8. Memcached原理与应用
  9. oracle无会话锁表,深入浅出oracle锁 原理篇 停止无反应的sql会话
  10. 网页中图片显示不出来，解决网页中图片不能显示的方法
  11. 高速数据线缆自动化测试系统软件NSAT-1000
  12. P0负载能力为 8 个 LSTTL 电路，P1-P3负载能力为4个 LSTTL 电路
  13. evc小项目：Gps功分器测试
  14. vue 水印插件 插件：directives.js
  15. 三菱FX2NPLC CMP比较指令
  16. [leetcode] 229. Majority Element II
  17. cstring头文件(cstring头文件)
  18. 实时分析之客户画像项目实践
  19. 领域驱动设计(DDD)实践之路(四)：领域驱动在微服务设计中的应用
  20. 人脸搜索引擎准得吓人，记者：我都不知道自己拍过这些照片

热门文章

  1. Pop3_解决PKIX：unable to find valid certification path to requested target 的问题
  2. [C++]最大连续子序列乘积
  3. hdu 3925 一道复杂的简单题
  4. [转]六步使用ICallbackEventHandler实现无刷新回调
  5. MySQL对含有中文字符的字段排序
  6. 动态修改EasyUI accordion选中面板的标题(title)
  7. less加管道tail_Linux-10 （CentOS）cat/more/less/ / 及echo/head /tail/的用法区别
  8. 安卓开机画面_只需三招，电视/盒子开机启动不再是问题
  9. zookeeper分布式安装与配置
  10. 斜杠“/”与反斜杠“\”的区别