darknet

最近新出了YOLOV4，我系统的从V1开始整理出稿，传送门： 【YOLOv1原文+翻译】You Only Look Once Unified, Real-Time Object Detection 【YOLOv2原文+翻译】YOLO9000: Better, Faster, Stronger 【YOLOv3原文+翻译】YOLOv3：An Incremental Improvement 【YOLOv4原文+翻译】YOLOv4：Optimal Speed and Accuracy of Object Detection 实验室大佬在Ubuntu16.04上轻松实现，我也来个Win10版的~ 先上一张成功检测的结果图： 正文开始 1 软件安装 我的软件环境：WIN10，CUDA10.2，cuDNN7.6.5，python3.7，VS2019，OpenCV3.4.2 硬件环境：GTX2080Ti ×2，80G内存 1.1 下载安装NVIDIA显卡驱动 设备管理器查看自己电脑的显卡型号，然后 进入NVIDIA驱动下载 ，下载对应硬件的驱动版本。安装好后，把 C:\Program Files\NVIDIA Corporation\NVSMI 添加到环境变量的path中，然后CMD中输入： nvidia-smi 如果显示下图内容，证明驱动安装成功： 1.2 下载安装CUDA CUDA 官网

主要思路 将训练好的.pt文件转换为keras的.h5文件，再将.h5文件转换为.tflite文件。 步骤： 1.环境：PyTorch1.0以上（其他版本也可以，主要是适配下面的开源代码） .pt转weights 下载后在文件内添加pt_to_weights.py。 from models import * model = Darknet("cfg/yolov3-obj.cfg") #load_darknet_weights(model,"weights/latest.pt") #save_weights(model,path='weights/latest.weights',cutoff=-1) checkpoint = torch.load("weights/latest.pt", map_location='cpu') model.load_state_dict(checkpoint['model']) save_weights(model,path='weights/latest.weights',cutoff=-1) 2.环境：Tensorflow2.0，要安装keras模块 .weights转.h5 修改输入层尺寸，input_layer = Input(shape=(416, 416, 3))，后续转换为tflite需要固定输入尺寸。不然会报错： 运行 python

课程目标：掌握使用YOLOv4进行TT100K数据集上的中国交通标志识别 课程链接： https://edu.51cto.com/course/23592.html 课程演示环境：Ubuntu 需要学习Windows系统YOLOv4的同学请前往《Windows版YOLOv4目标检测实战：中国交通标志识别》 https://edu.51cto.com/course/23591.html 在自动驾驶驾驶中，交通标志识别是一项重要的任务。本项目以TT100K中国交通标志数据集为训练对象，采用YOLOv4目标检测方法实现实时45个类别的交通标志识别。 本课程的YOLOv4使用AlexyAB/darknet，在Ubuntu系统上做交通标志识别的项目演示。具体项目过程包括：安装YOLOv4、TT100K数据集格式转换为PASCAL VOC格式、训练集和测试集自动划分、修改配置文件、训练网络模型、测试训练出的网络模型、性能统计(mAP计算和画出PR曲线)和先验框聚类分析。 来源： oschina 链接： https://my.oschina.net/u/4312696/blog/4308971

一.首先当然是训练好自己的训练集 我是在ubuntu上跑的训练，训练遇到挺多问题的，埋个坑，后面讲***************************此处有坑 二.然后在win10里配置yolov3 （现在yolov5粗来了，不过两个的配置应该都差不多） 1.首先安装cada+cudnn 这里一定要去下载对应的版本（查你自己的显卡） cuda安装地址： https://developer.nvidia.com/cuda-downloads?target_os=Windows&target_arch=x86_64&target_version=10&target_type=exelocal cudnn安装地址： https://developer.nvidia.com/cudnn （一定要对应版本我的是7.6） 2.然后是解压常规操作（win内傻瓜式操作） 很多人c盘不够，这里提醒下，先确保空间安装（cuda一定安装在c，即使你选择了其他路径也无济于事） 上图是把cudnn内的（bin,inlcude,lib）放进如图的文件夹内 cuda安装就是一路next<<................................................................................ 3.配置cuda的环境（系统环境）

YOLOv4 资源环境配置和测试样例效果 https://www.cnblogs.com/wujianming-110117/p/12791626.html OpenCV4.4 + YOLOv4 真的可以运行了 https://cloud.tencent.com/developer/article/1668133 YOLOv4 - Neural Networks for Object Detection https://github.com/AlexeyAB/darknet https://github.com/Tianxiaomo/pytorch-YOLOv4 来源： oschina 链接： https://my.oschina.net/u/4383176/blog/4436829

转自： https://blog.csdn.net/lxk2017/article/details/88921302 参考： https://blog.csdn.net/l7H9JA4/article/details/104624333 YOLO-v3合并卷积层与BN层 批量归一化-BN层(Batch Normalization) BN计算公式： 合并卷积层与BN层： 部分代码实现 实验结果 具体代码实现 批量归一化-BN层(Batch Normalization) 随机梯度下降法（SGD）对于训练深度网络简单高效，但是它有个毛病，就是需要我们人为的去选择参数，比如学习率、参数初始化、权重衰减系数、Drop out比例等。这些参数的选择对训练结果至关重要，以至于我们很多时间都浪费在这些的调参上。那么使用BN层之后，你可以不需要那么刻意的慢慢调整参数。（详见论文《Batch Normalization_ Accelerating Deep Network Training by Reducing Internal Covariate Shift》 ）。 在神经网络训练网络模型时，BN层能够加速网络收敛，并且能够控制过拟合现象的发生，一般放在卷积层之后，激活层之前。BN层将数据归一化后，能够有效解决梯度消失与梯度爆炸问题。虽然BN层在训练时起到了积极作用，然而

YOLOv4 发布不到 2 个月，一个名叫 YOLOv5 的目标检测框架横空出世，但它真的够格继承 YOLO 之名并沿用社区公认的版本号吗？工程师 Ritesh Kanjee 近日在 Medium 上通过事实与社区观点对此给出了否定答案，并批评了这种「欺世盗名」的行为。 选自Medium，作者：Ritesh Kanjee，机器之心编译，参与：Panda、蛋酱。 2020 年 4 月 23 日，YOLOv4 发布…… 2020 年 6 月 10 日，YOLOv5 又来了…… 是不是超厉害？这不正表明我们的研究和科技发展速度超快吗？毕竟这个广受欢迎的目标检测框架的新一代 v4 版本刚发布不久，下一代 v5 版本就横空出世了。YOLOv5 真的这么厉害以至于自成一代？还是说仅仅是个噱头？本文将尽可能客观地研究其中一些相关证据，看看 YOLOv5 究竟是否名副其实？ 来自：https://github.com/ultralytics/yolov5 首先简单介绍一下 YOLO。YOLO 是一个实时目标检测框架，其意思是 You Only Look Once（你只看一次）。也就是说待检测的目标图像仅会通过全卷积神经网络（FCNN）一次。碍于篇幅，本文不会介绍 YOLO 的技术细节，感兴趣的读者可参阅机器之心的文章《 教程 | 单级式目标检测方法概述：YOLO 与 SSD 》及《 YOLO v4

前言：【从零开始学习YOLOv3】系列越写越多，本来安排的内容比较少，但是在阅读代码的过程中慢慢发掘了一些新的亮点，所以不断加入到这个系列中。之前都在读YOLOv3中的代码，已经学习了cfg文件、模型构建等内容。本文在之前的基础上，对模型的代码进行修改，将之前Attention系列中的SE模块和CBAM模块集成到YOLOv3中。 1. 规定格式 正如 [convolutional] , [maxpool] , [net] , [route] 等层在cfg中的定义一样，我们再添加全新的模块的时候，要规定一下cfg的格式。做出以下规定： 在SE模块（具体讲解见: 【cv中的Attention机制】最简单最易实现的SE模块 ）中，有一个参数为 reduction ,这个参数默认是16，所以在这个模块中的详细参数我们按照以下内容进行设置： [se] reduction=16 在CBAM模块（具体讲解见: 【CV中的Attention机制】ECCV 2018 Convolutional Block Attention Module ）中，空间注意力机制和通道注意力机制中一共存在两个参数： ratio 和 kernel_size , 所以这样规定CBAM在cfg文件中的格式： [cbam] ratio=16 kernelsize=7 2. 修改解析部分 由于我们添加的这些参数都是自定义的

在Windows系统的Linux系统中用yolo训练自己的数据集的配置差异很大，今天总结在win10中配置yolo并进行训练和测试的全过程。 提纲： 1. 下载适用于Windows的darknet 2.安装VS和CUDA、CUDNN、OpenCV 　　1）安装VS2017 　　 2）安装OpenCV 　　3）VS配置OpenCV 　　4）安装CUDA10.0和CUDNN7.5 　　 5）VS配置CUDA 3. 编译darknet 4.训练自己的数据集 5.开始训练 6.测试 1. 下载适用于Windows的darknet git clone https://github.com/AlexeyAB/darknet 这个适用于Windows和Linux 而前面博客中的： https://github.com/pjreddie/darknet 是只适用于Linux的。 2.安装VS和CUDA、CUDNN、OpenCV 1）安装VS2017 可以在官网找：vs2017： https://visualstudio.microsoft.com/zh-hans/downloads/ 我是在学校的软件中心找的安装包。 2）安装OpenCV opencv-3.4.1-vc14_vc15.exe，vc15表示VS2017（vc10表示VS2010，vc11表示VS2012，vc12表示VS2013

课程链接： https://edu.51cto.com/course/22982.html 课程演示环境：Windows10; cuda 10.2; cudnn7.6.5; Python3.7; VisualStudio2019; OpenCV3.4 需要学习ubuntu系统YOLOv4的同学请前往：《YOLOv4目标检测实战：训练自己的数据集》 https://edu.51cto.com/course/22982.html YOLOv4来了！速度和精度双提升！ 与 YOLOv3 相比，新版本的 AP (精度)和 FPS （每秒帧率）分别提高了 10% 和 12%。 YOLO系列是基于深度学习的端到端实时目标检测方法。本课程将手把手地教大家使用labelImg标注和使用YOLOv4训练自己的数据集。课程实战分为两个项目：单目标检测（足球目标检测）和多目标检测（足球和梅西同时检测）。 本课程的YOLOv4使用AlexyAB/darknet，在Windows系统上做项目演示。包括：安装软件环境、安装YOLOv4、标注自己的数据集、整理自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型、性能统计(mAP计算)和先验框聚类分析。还将介绍改善YOLOv4目标检测性能的技巧。 除本课程《Windows版YOLOv4目标检测实战：训练自己的数据集》外