darknet

最近心血来潮想学一下YOLOv3，于是就去网上看了YOLOv3在win10下的配置教程。在配置过程中塌坑无数，花了很多时间和精力，所以我想就此写一篇博客来介绍在在win10+vs2015的环境下如何配置YOLOv3。 1.安装VS（YOLOv3支持vs2012、2013、2015，其他版本需要下载工具集） 尽量安装vs2015 2.安装CUDA 2.1确定自己电脑对应的CUDA版本号 2.1.1打开控制面板 2.1.2进入NVIDIA控制面板 2.1.3选择系统信息 2.1.4点击组件，即可看到自己电脑适应的CUDA的版本号 2.2进入官网https://developer.nvidia.com/cuda-downloads ，按照自己的系统选择合适的版本。 3.安装CUDNN CUDNN的版本需要与CUDA版本对应，下载的时候根据选定的CUDA版本进行选择即可。 下载链接： https://developer.nvidia.com/cudnn 下载之后把对应文件夹的文件直接放入CUDA的对应文件夹就可以了 即 将D:\安装包\cudnn-9.1-windows10-x64-v7.1\cuda\bin\cudnn64_7.dll 复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.1\bin 将 D:\安装包\cudnn

记于 2018-05-19 13:21:13 距离开始着手安装yolov3已经过去将近20个小时，当然我并没有装那么久啦，就是大概4，5个小时这么久，网络上教程很少，步骤也千奇百怪，这次成功装好后就想写一个教程记录一下，帮助一下后来人。 再次还是要先感谢一下我看过的教程 Yolo：Win10+Yolo环境配置+利用Yolov3训练自己的数据集最详细攻略——Jason niu Windows下 YOLOv3配置教程 所需： Win10 Visual Studio 2015 CUDA 8.0（ 下载地址 ） CUDA安装操作 cudnn 7.0.4（ 下载地址 还需要注册会员） cudnn下载之后把对应文件夹的文件直接放入CUDA的对应文件夹就可以了 OpenCV3.4.0（ 下载地址 ） 安装教程 下载darknet 修改darknet.vcxproj： 　 　打开../darknet/build/darknet/darknet.vcxproj，用记事本格式打开即可，按下图操作全部替换　 　　 打开darknet.sln 　　 修改当前解决方案设置 为release x64 如下图 　　 　　选择视图，选择属性管理器 按照如下操作，打开属性 　　 配置 选择 VC++目录 选择编辑包含目录和库目录 详情见下图 　　同理选择 C/C++的常规 修改附加包含目录

因为要做小物体检测，最近想尝试一下使用yolov3做一下，看看效果怎么样。 先说一下yolov3的配置吧，历时3天，坑还是挺多的，我的环境是CUDA10.0 + cudnn7.3 + vs2015 + OpenCV3.2.0。 1、yolov3下载地址： https://github.com/AlexeyAB/darknet 压缩包解压后打开 darknet-master\build\darknet 下的darknet.sln，调试设置成Release x64。 这一步其实挺坑的，博主本来用的是vs2017，想来修改一下工具集（v141->v140）就可以了，但是搞来搞去就是打不开这个项目。于是把vs2017卸个干净 安装了vs2015，直接就可以打开了（因为这个折腾了一下午，难受= =） 2、下载并配置OpenCV 3.2.0 这个可以直接去opencv的官网下载 配置：（注意要在Release x64模式下修改属性） 1、将opencv的路径加入环境变量 （这里是我个人存放opencv的路径） 2、修改darknet项目中的属性：打开项目属性页 -> VC++目录 -> 包含目录 ，加入图上的这些路径 修改库目录 属性页->链接器->输入->附加依赖项中添加opencv_world320.lib 至此opencv配置完成。 3、安装CUDA10.0+cudnn7.3

其他比较好的参考链接： 环境配置： 环境配置的最终图片列表： https://blog.csdn.net/shanglianlm/article/details/80322718 视频讲解YOLOv1: https://www.bilibili.com/video/av23354360/?p=3 YOLOv3官网链接GitHub： https://github.com/AlexeyAB/darknet Yolov3+windows10+VS2015部署安装： https://blog.csdn.net/sinat_26940929/article/details/80342660 YOLOv3训练自己的数据： https://blog.csdn.net/lilai619/article/details/79695109 https://www.cnblogs.com/cvtoEyes/p/9060232.html 看这个链接就知道怎么运行程序，出图片了。YOLO v3在Windows下的配置（无GPU）+opencv3.2.0+VS2015: https://blog.csdn.net/baidu_36669549/article/details/79798587 论文链接： https://pjreddie.com/media/files/papers/YOLOv3.pdf

下载 1、下载vs2015，地址： （补充：离线安装vs2015前需要先做以下两项工作，否则vs2015安装过程中会出现安装包损坏的情况。 1） win7下安装vs2015时，需要两个win10的安全证书（microsoft root certificate authority 2010 和 microsoft root certificate authority 2011），下载地址： https://download.csdn.net/download/weixin_40092412/11049537 （若有win10系统，可直接从win10系统导出）。放到win7系统上，双击-->安装证书-->下一步-->点击将所有证书放入下列存储，浏览选择受信任的根证书颁发机构-->下一步-->完成。 2）IE需要更新为IE11版本，首先下载更新包并安装： https://support.microsoft.com/zh-cn/help/2847882/prerequisite-updates-for-internet-explorer-11 ，共7个必需的更新包，按照自己的电脑位数选择32或64下载。 再安装IE11，下载地址： https://support.microsoft.com/zh-cn/help/17621/internet-explorer-downloads

背景： 在自动驾驶中，基于摄像头的视觉感知，如同人的眼睛一样重要。而目前主流方案基本都采用深度学习方案（tensorflow等），而非传统图像处理（opencv等）。 　　接下来我们就以YOLOV3为基本网络模型，Tensorflow为基本框架，搭建一套能够自动识别路面上动态目标，如车辆，行人，骑行人等。 正文： 　　原生YOLOV3是基于darknet（纯C编写）开发的，这里我们会将YOLOV3架构在Tensorflow平台上（Python,C++跨平台多语言）。 关键点介绍： 一、基本的网络结构图： 模型流程图如下： 　　基础主干网Darknet53： 二、代码结构： tf_yolov3 |-------extract_voc.py #从原始文件中生成训练所需数据格式 import os import argparse import xml.etree.ElementTree as ET # sets=[('2007', 'train'), ('2007', 'val'), ('2007', 'test')] sets=[( ' 2012 ' , ' train ' ), ( ' 2012 ' , ' val ' )] classes = [ " aeroplane " , " bicycle " , " bird " , " boat " , " bottle " , "

一. 代码下载 代码Github主页： https://github.com/leggedrobotics/darknet_ros 下载命令： mkdir -p catkin_workspace/src cd catkin_workspace/src git clone --recursive git@github.com:leggedrobotics/darknet_ros.git cd ../ 下载时间可能比较长，请耐心等待… 二. 编译 在ROS工作空间目录下，执行命令： catkin_make -DCMAKE_BUILD_TYPE=Release 此时会开始编译整个项目，编译完成后会检查{catkin_ws}/darknet_ros/darknet_ros/yolo_network_config/weights文件下有没有yolov2-tiny.weights和yolov3.weights两个模型文件，默认下载好的代码里面为了节省体积是不带这两个模型文件的。因此编译之后会自动开始下载模型文件，此时又是一段漫长的等待时间。 如果刚好你之前已经下载好了模型文件，那就好了，在开始编译之前就把模型文件拷贝到上述文件夹下，就不会再次下载了。 三. 运行代码 1. 图像话题发布 因为darknet_ros会直接订阅指定的图像话题名，然后对图像进行检测，绘制检测框，并发布相应的检测话题

论文地址和代码 https://arxiv.org/abs/2004.10934v1 代码： https://github.com/AlexeyAB/darknet 摘要： 据说有许多功能可以提高卷积神经网络（CNN）的准确性。 需要在大型数据集上对这些特征的组合进行实际测试，并对结果进行理论证明。 某些功能仅在某些模型上运行，并且仅在某些问题上运行，或者仅在小型数据集上运行； 而某些功能（例如批归一化和残差连接）适用于大多数模型，任务和数据集。 我们假设此类通用功能包括加权残差连接（WRC），跨阶段部分连接（CSP），跨小批量标准化（CmBN），自对抗训练（SAT）和Mish激活。 我们使用以下新功能：WRC，CSP，CmBN，SAT，Mish激活，马赛克数据增强，CmBN，DropBlock正则化和CIoU丢失，并结合其中的一些功能来实现最新的结果：43.5％的AP（65.7 在Tesla V100上，MS COCO数据集的实时速度约为65 FPS。 核心中的核心：作者将Weighted-Residual-Connections(WRC), Cross-Stage-Partial-connections(CSP), Cross mini-Batch Normalization(CmBN), Self-adversarial-training(SAT)，Mish