跑yolo3模型出的效果图_【目标检测实战】Darknet入门—yolov3模型训练(Win10下的安装、编译、实现)...
效果图
简介
Yolo,是实时物体检测的算法系统,基于Darknet—一个用C和CUDA编写的开源神经网络框架。它快速,易于安装,并支持CPU和GPU计算,也是yolo的底层。本文主要介绍在win10系统上配置darknet环境,编译,使用yolo实现开头展示的目标检测效果。主要包括以下几个步骤:
编译流程 -> 环境安装 -> VS2017配置和编译 -> 运行展示
YOLO,美语新词,是You Only Live Once的首字母缩略词,意为你只能活一次,应该活在当下,大胆去做。
本文的YOLO,意为:You Only Look Once,再点进官网,一股暗黑色系地风格让人觉得很magic,编程真有意思~
编译流程
要使用yolo,必须先安装darknet、darknet可以直接在githb上下载压缩包:https://github.com/AlexeyAB/darknet
本文主要介绍darknet在win10上的编译流程。github上介绍了Linux和Windows下darknet的编译,我这里直接用谷歌浏览器翻译了:
1.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2x
OPENCV=1 使用OpenCV 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Yolo
LIBSO=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.mp4
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
2.如何在Windows上编译(使用vcpkg)
将Visual Studio安装或更新到至少2017版,确保将其完全修补(如果不确定自动更新到最新版本,请再次运行安装程序)。如果您需要从头开始安装,请从此处下载VS:Visual Studio 2017社区
安装CUDA和cuDNN
安装git和cmake。确保它们至少在当前帐户的路径上
例如,安装vcpkg并尝试安装测试库以确保一切正常vcpkg install opengl
定义环境变量,VCPKG_ROOT指向安装路径vcpkg
使用名称VCPKG_DEFAULT_TRIPLET和值定义另一个环境变量x64-windows
打开Powershell(作为标准用户)并键入(最后一个命令需要确认并用于清理不必要的文件)
[仅限CUDA]使用首选计算功能自定义CMakeLists.txt
使用Powershell脚本构建build.ps1或使用Visual Studio 2017的“打开文件夹”功能。在第一个选项中,如果要使用Visual Studio,您将找到包含所有相应配置的构建后由CMake为您创建的自定义解决方案系统的标志。
环境安装
1.安装Visual Studio2017
VS2017-0.png
安装时依照自己的开发需要,勾选相应的环境:
VS2017-2.png
一定要选下面这个V140工具集,不然用141的会报错.....
VS2017-1.png
安装时没有选完整也没关系,可以在Visual Studio Installer修改
vs.png
2.安装CUDA和CUDNN
官网下载即可,我的安装包如下:
cuda_9.0.176_win10.exe
cudnn-9.0-windows10-x64-v7.4.2.24
一关系阐述:
(1)NVIDIA的显卡驱动程序和CUDA完全是两个不同的概念哦!CUDA是NVIDIA推出的用于自家GPU的并行计算框架,也就是说CUDA只能在NVIDIA的GPU上运行,而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用。
CUDA的本质是一个工具包(ToolKit);但是二者虽然不一样的。
显卡驱动的安装:
当我们使用一台电脑的时候默认的已经安装了NVIDIA的显卡驱动,因为没有显卡驱动根本用不了显卡嘛,但是这个时候我们是没有CUDA可以用的,我们可以更新我们的驱动,更新链接为:
https://www.nvidia.com/Download/index.aspx?lang=en-us
在这个里面可以根据自己的显卡类型选择最新的驱动程序。显卡驱动程序当前大小大概500多M。
CUDA ToolKit的安装:
CUDA的下载地址为:https://developer.nvidia.com/cuda-downloads
我们可以选择两种安装方式,一种是在线安装(我还没用过),一中离线安装(我采用的)即本地安装,
当我们选择离线安装,当我们选定相对应的版本之后,下载的时候发现这个地方的文件大小大概在2G左右,Linux系统下面我们选择runfile(local) 完整安装包从本地安装,或者是选择windows的本地安装。CUDA Toolkit本地安装包时内含特定版本Nvidia显卡驱动的,所以只选择下载CUDA Toolkit就足够了,如果想安装其他版本的显卡驱动就下载相应版本即可。
所以,NVIDIA显卡驱动和CUDA工具包本身是不具有捆绑关系的,也不是一一对应的关系,只不过是离线安装的CUDA工具包会默认携带与之匹配的最新的驱动程序。
注意事项:NVIDIA的显卡驱动器与CUDA并不是一一对应的哦,CUDA本质上只是一个工具包而已,所以我可以在同一个设备上安装很多个不同版本的CUDA工具包,比如我的电脑上同事安装了 CUDA 9.0、CUDA 9.2、CUDA 10.0三个版本。一般情况下,我只需要安装最新版本的显卡驱动,然后根据自己的选择选择不同CUDA工具包就可以了,但是由于使用离线的CUDA总是会捆绑CUDA和驱动程序,所以在使用多个CUDA的时候就不要选择离线安装的CUDA了,否则每次都会安装不同的显卡驱动,这不太好,我们直接安装一个最新版的显卡驱动,然后在线安装不同版本的CUDA即可。
总结:CUDA和显卡驱动是没有一一对应的。
(2)cuDNN是一个SDK,是一个专门用于神经网络的加速包,注意,它跟我们的CUDA没有一一对应的关系,即每一个版本的CUDA可能有好几个版本的cuDNN与之对应,但一般有一个最新版本的cuDNN版本与CUDA对应更好。
总结:cuDNN与CUDA没有一一对应的关系
(3)CUDA 工具包附带的 CUPTI。
CUPTI,即CUDA Profiling Tools Interface (CUPTI)。在CUDA分析工具接口(CUPTI)能够分析和跟踪靶向CUDA应用程序的工具的创建。CUPTI提供以下API:
Activity API,Callback API,事件API,Metric API,和Profiler API。
使用这些API,您可以开发分析工具,深入了解CUDA应用程序的CPU和GPU行为。CUPTI作为CUDA支持的所有平台上的动态库提供。请参阅CUPTI文档。
3.安装git和cmake
git直接在官网下载即可:https://git-scm.com/download/win
cmake也是,直接下载:https://cmake.org/download/
刚开始,我git版本过低,后来在cmd中用update升级了一下~现在的版本如下:
cmake.png
下载完成,记得配置环境变量:
环境变量.png
4.安装vcpkg
详见:https://github.com/Microsoft/vcpkg
安装完成后,用vcpkg安装pthreads和opencv。
cd到vcpkg的主目录,运行命令:.\vcpkg install pthreads opencv
此处我发现,pthreads可以安装成功,opencv总是安装失败.....
--1.png
看报错信息,下载opencv:3.4.3.tar.gz时报错,于是手动下载tar包(https://github.com/opencv/opencv/archive/3.4.3.tar.gz),放入vcpkg的downloads目录下,再次尝试安装:
2.png
至此,准备工作基本做完,我们可以开始编译darknet了
5.安装opencv
单纯安装opencv对版本没有限制,但是为了和darknet匹配,必须安装特定的版本,darnnet官网要求的版本是opencv 3.x,明确要求小于4.0版。
我一次下了多个版本的opencv,发现3.0.0,3.4.0的可用,4.0.1的不可用。实践证明,确实如此,4.0.1的在编译daeknet时VS会报错,说有些接口方法不存在....3.x的版本中有些能用,有些不能用。
222.png
111.png
下载后解压至任意目录,方便自己使用时能找到即可
6.下载darnnet
VS2017配置和编译
首先找到之前下载的daeknet-master目录,进入->build->darknet文件夹下,可以看见有三个.sln文件,这三个文件是三个VS项目入口,其中
darknet.sln主要用来编译darknet,生成darknet.exe可执行文件;
yolo_cpp_dll.sln主要用来编译可供外部使用的GPU版yolo的dll和lib文件;
yolo_cpp_dll_no_gpu.sln主要用来编译可供外部使用的非GPU版(即CPU版)dll和lib。
dll动态链接库,lib静态链接库
前面提到过,yolo支持CPU和GPU计算,CPU和GPU运行yolo所依赖的库文件是不同的
VS222.png
双击darknet.sln即可在VS2017中打开这个项目。
VS2017属性配置
找到项目目录,右键点属性:
aaa.png
在属性页面,我们需要经行一系列配置
目标平台版本
目标平台版本即要生成的exe目标运行环境,默认是8.1,可修改为10,不配置也暂时无影响
平台工具集
即VS2017开发平台的工具集,经过采坑发现v141不行、v140可用
常规.png
VC++目录
主要配2处:包含目录和引用目录,根据自己opencv安装目录配置相应路径.下面以我的路径为例:
包含目录:
D:\software\opencv\opencv3.4.0\opencv\build\include
库目录:
D:\software\opencv\opencv3.4.0\opencv\build\x64\vc15\lib
D:\software\opencv\opencv3.4.0\opencv\build\x64\vc14\lib
VC++++++.png
编译darknet.exe
现在,我们可以尝试编译了,点击生成
shengcheng.png
报异常
bug-1.png
异常信息
1>------ 已启动生成: 项目: darknet, 配置: Release x64 ------
1>D:\software\darknet\darknet190226\new\darknet-master\build\darknet\darknet.vcxproj(54,5): error MSB4019: 未找到导入的项目“C:\Program Files (x86)\Microsoft Visual Studio\2017\Community\Common7\IDE\VC\VCTargets\BuildCustomizations\CUDA 10.0.props”。请确认 声明中的路径正确,且磁盘上存在该文件。
1>已完成生成项目“darknet.vcxproj”的操作 - 失败。
========== 生成: 成功 0 个,失败 1 个,最新 0 个,跳过 0 个 ==========
解决异常
我们顺着异常提示的文件夹路径点进去发现,确实没有CUDA 10.0.props这个文件,但是有CUDA 9.0.props,原来在当前版本的darknet中,默认使用的CUDA 10.0,我们需要在配置darknet.vcxproj中修改(和darknet.sln在同级目录)
用notepad++修改,将10.0改为9.0即可,总共改头尾两处。
asdasd.png
再次编译
dddddddd.png
编译成功后,会在darknet-master\build\darknet\x64下生成darknet.exe文件,这个就是可执行的程序。
编译GPU版库
编译GPU版库文件,主要即产生可以支持GPU运行的yolo的dll和lib文件,用于方便在别的C++项目中直接调用,编译前的VS2017配置和上面编译darknet.exe基本类似,此处还需配置一处:
配置属性-CUDA-Device.jpg
CUDA C/C++ ->Deviece -> Code Generation处。原compute_75,sm_75改为compute_52,sm_52
然后就是正常的生成,生成成功后在darknet-master\build\darknet\x64目录下会新生成:yolo_cpp_dll.dll和yolo_cpp_dll.lib
wqwwqwq.png
编译CPU版库
CPU版本库的编译和GPU类似,就不赘述了
运行展示
1.下载yolov3.weights并放到darknet.exe同级目录下,下载链接:
2.运行
cd到darknet.exe所在目录,运行命令即可。
命令1:
darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
效果1:
image
命令2:
darknet detect cfg/yolov3.cfg yolov3.weights data/bird.jpg
效果2:
222.png
tips:
1.运行时如果提示找不到opencv_world340.dll,需要手动将opencv下的此dll放入darknet.exe运行同级目录下
11111.png
我的opencv_world340.dll所在目录:D:\software\opencv\opencv3.4.0\opencv\build\x64\vc14\bin
opencv_world340.dll对应Release版、opencv_world340d.dll对应debug版。
2.如果运行时报内存溢出的异常,需要手动修改yolov3-voc.cfg中的batch和subdivisions,可以都修改为1
a.png
跑yolo3模型出的效果图_【目标检测实战】Darknet入门—yolov3模型训练(Win10下的安装、编译、实现)...相关推荐
- ssd目标检测训练自己的数据_目标检测Tensorflow object detection API之训练自己的数据集...
构建自己的模型之前,推荐先跑一下Tensorflow object detection API的demo JustDoIT:目标检测Tensorflow object detection APIzh ...
- 跑yolo3模型出的效果图_效果图和效果图设计到底有什么区别?区别大着呢,亲……...
很多迪粉一上来,就询问小迪:你们效果图怎么收费?帮我设计几张效果图吧?--纳尼?小迪一脸懵逼好吗?因为效果图制作和效果图设计制作,完全是两码事好吗?重要的事情小迪再多说几次-- 效果图制作公司 效果图 ...
- yolov3权重_目标检测之 YOLOv3 (Pytorch实现)
1.文章目的 Github上已经有YOLOv3 Pytorch版本的实现,但我总觉得不是自己的东西直接拿过来用着不舒服.想着自己动手丰衣足食,因此,本文主要是出于学习的目的,将YOLO3网络自己搭建一 ...
- php大作业含代码_目标检测 | 目标检测技巧大汇总(含代码与解读)
点击上方"AI算法修炼营",选择加星标或"置顶" 标题以下,全是干货 来自 | 知乎作者丨初识CV来源丨https://zhuanlan.zhihu.com/p ...
- 深度学习、目标检测情景中常见的模型评测指标
作者:RayChiu_Labloy 版权声明:著作权归作者所有,商业转载请联系作者获得授权,非商业转载请注明出处 二分类混淆矩阵: 图: 贴心的给出中文图: 四种情况的解释 假设我们现在要做从有狗有猫 ...
- 最新!OMNI3D:3D目标检测的大型基准和模型(Meta AI)
点击下方卡片,关注"自动驾驶之心"公众号 ADAS巨卷干货,即可获取 点击进入→自动驾驶之心[3D目标检测]技术交流群 后台回复[3D检测综述]获取最新基于点云/BEV/图像的3D ...
- 目标检测-基于Pytorch实现Yolov3(1)- 搭建模型
原文地址:https://www.cnblogs.com/jacklu/p/9853599.html 本人前段时间在T厂做了目标检测的项目,对一些目标检测框架也有了一定理解.其中Yolov3速度非常快 ...
- 目标检测YOLO实战应用案例100讲-基于YOLO模型的遥感影像 飞机目标检测技术研究
目录 基于YOLOv5模型的遥感影像飞机目标检测 基于深度学习的目标检测算法 POLO系列模型原理
- 目标检测 YOLOv5 - v6.2版本模型在瑞芯微 Rockchip设备从训练到C++部署实践
目标检测 YOLOv5 - v6.2版本模型在瑞芯微 Rockchip设备从训练到C++部署实践 flyfish 源码地址 https://github.com/shaoshengsong/rockc ...
最新文章
- 使用数字示波器DS6104测量交流信号的幅值和相位
- javascript函数作用域与闭包
- 一道vector实现字典的题目 C++
- Ruby版本管理(RVM)
- 此处不允许使用分组函数_Excel中使用Vlookup函数实现数据分组
- centos7无GUI情况安装Xvfb、selenium、chrome
- 基于JavaFX的Linux进程树
- 【人工智能】《Python深度学习》
- 品尝阿里云容器服务:食用注意事项
- 原生安卓10怎么打开面部识别_安卓手机运行慢怎么办?只需简单一步立即提速翻倍...
- 互联网创业原则与创业模式attilax大总结
- 计算机上64位数和32位数,一不小心就蓝屏?安装win10系统和软件,你选32位还是64位?...
- NRF24L01/SI24R1广播通讯
- 苹果注册开发者账号过程
- 无人车系统(八):Udacity ‘s无人驾驶仿真环境(python与c++数据接口)
- 500台以上的大型网吧设计解决方案(转)
- C++:将六个tif分色片写成bmp格式图片(8位深)
- 安装rhel8.2虚拟机
- java 牛客网之[动态规划 简单]NC3 nico和niconiconi
- 【每日一题】(D0731)锦囊 区间
热门文章
- 小米fortnite_如何将Fortnite移到另一个文件夹,驱动器或PC
- 《爸爸妈妈》——李荣浩
- 淘宝的ruby镜像已无人维护,使用ruby-china的RubyGems镜像
- “双循环”经济格局下的新一代金融风控
- Qt/C++编写监控实时显示和取流回放工具(回放支持切换进度)
- Chromium 指纹浏览器 二次开发修改浏览器网址标题
- stm32实现三色灯(stm32cubeIDE)
- Android 反编译快手APP,GitHub - wakasann/gksvideourla: Android 客户端解析快手分享链接获取到播放视频链接...
- PowerDesigner16.5导出SQL语句时如何将name列复制到comment注释里面
- Android将screenOrientation设置为portrait不起作用