手把手教你用yolov3模型实现目标检测教程(一)

手把手教你用yolov3模型实现目标检测(一)

写在前面：
由于项目需要，使用yolov3模型做了各种现实场景物体的目标检测。做完了过了好长时间，感觉有些遗忘，还是该留下点东西，方便自己查找，也希望能惠及他人。
同时，为了督促自己补充理论体系，尽量做到知其然知其所以然

1、环境配置

首先，本教程是完全在ubuntu 18.04下进行的，你能找到的成熟框架不外乎以下三个：

https://github.com/qqwweee/keras-yolo3 ，基于keras编写https://github.com/pjreddie/darknet ，基于c++编写https://github.com/AlexeyAB/darknet ， 基于c++编写

其中，第一个keras-yolo3需要搭建tensorflow-gpu,keras等很多环境。比较麻烦，有时间学习可以用这个。
推荐使用第二个官方框架pjreddie/darknet，官网(教程)如下：https://pjreddie.com/darknet/yolo/
第三个AlexeyAB/darknet项目近期一直在维护，而且文档特别详细。但个人感觉第二个官方框架实践起来更简单。
建议训练和检测过程中有任何问题，先到第二第三个仓库的issues中查找，也许会找到你想要的。
好，那我们开始：
先下载该项目：https://github.com/pjreddie/darknet

CPU/GPU编译：

编译过程中，检查环境：
我的环境：cmake version 3.10.2; 别的版本应该也可
Python 3.6.3 |Anaconda custom (64-bit)| (default, Oct 13 2017, 12:02:49)
教程也很清楚哦：https://pjreddie.com/darknet/install/

注意：darknet不支持gcc和g++6以上的版本，而ubuntu18.04默认安装的gcc-7
因此，需要将gcc和g++分别降级：
（1） gcc/g++降级为4.8版本

 (1)在Ubuntu 16.04上安装老版gcc十分简单，直接用apt-get命令下载即可.
sudo apt-get install gcc-4.8
（2）安装完成后输入命令gcc --verison查看gcc的版本,此时还是高版本
（3）查看版本gcc-4.8版本是否安装成功
ls /usr/bin/gcc*
（4）输入命令设置默认版本:
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-4.8 100
（5）查看默认结果（非必须）
sudo update-alternatives --config gcc
（6）最终gcc --version 发现变成4.8版本了g++的降级，只需把上面gcc改称g++。gcc和g++的版本应该必须一致。

CPU:

cd darknet-master
make

就完事了，一般不会有问题。

GPU:
yolov3是十分高效快速的！这点不用过多介绍，虽然CPU版本以及很快，但GPU号称快了500倍！
修改根目录下的makefile文件的GPU和CUDNN为1即可：

GPU=1
CUDNN=1
OPENCV=0
OPENMP=0
DEBUG=0

改完然后同样的，根目录 -> make就ok了
我的环境：
ubuntu18.04+CUDA9.0+CUDNN7+nvidia1050 4G显存
安装教程：（很多链接）
https://blog.csdn.net/Hu_helloworld/article/details/102614562
CPU和GPU实测yolov3检测同一张图片，cpu到7、8s,GPU就是0.几s的量级
如果对于精确度要求不是特别高，而机器配置低对速度要求更高，建议使用yolov3-tiny版本（轻量，速度也可）

2、下载与训练模型

yolov3.weights
模型文件包括**.cfg配置文件和.weights**权重文件
.cfg文件在项目中 /cfg目录
下载权重文件：
https://pjreddie.com/media/files/yolov3.weights
或者
https://pjreddie.com/media/files/yolov3-tiny.weights

3、使用预训练模型测试目标检测

最简单的检测命令，在根目录下执行

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

另一种命令写法：

./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg

您将看到以下输出：

layer     filters    size              input                output0 conv     32  3 x 3 / 1   416 x 416 x   3   ->   416 x 416 x  32  0.299 BFLOPs1 conv     64  3 x 3 / 2   416 x 416 x  32   ->   208 x 208 x  64  1.595 BFLOPs.......105 conv    255  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 255  0.353 BFLOPs106 detection
truth_thresh: Using default '1.000000'
Loading weights from yolov3.weights...Done!
data/dog.jpg: Predicted in 0.029329 seconds.
dog: 99%
truck: 93%
bicycle: 99%

其中data文件夹中提供了一些示例图像，以备不时之需。尝试data/eagle.jpg，data/dog.jpg，data/person.jpg，或data/horses.jpg！
以下是我训练tiny模型的检测结果

到此位置我们可以使用官方提供的预训练模型进行目标检测，后面想在我们自己的场景下使用还需要自己训练样本，调整参数，调用自己的模型进行检测。
下篇介绍，标注自己的PASCAL VOC图片数据集，训练自己的yolov3-tiny模型。