从入门到入坑-Darknet记录篇
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
链接来源于csdn博客，感谢分享，如有侵权，删之。
引用链接：
- https://blog.csdn.net/wanzhen4330/article/details/81699769
- https://blog.csdn.net/qq_41080854/article/details/88609795
- https://blog.csdn.net/WK785456510/article/details/81565637
阅读须知
本文不涉及机器学习算法，只讲述机器学习的框架使用，算法过于深奥，本人尚未完全理解，别问，问就是不会！
Darknet
Darknet是一个相对小众轻量级的深度学习框架， 主流框架有tensorflow，Caffe等，虽然小众 ，但并不能忽视其优点。
- Darknet深度学习框架是由Joseph Redmon提出的一个用C和CUDA编写的开源神经网络框架。它安装速度快，易于安装，并支持CPU和GPU计算。
- Darknet的YOLO神经网络算法对于目标监测效果显著。
YOLO（You Only Look Once）神经网络算法
- YOLO的速度非常快。在Titan X GPU上的速度是45 fps（frames per second），加速版的YOLO差不多是150fps。
- YOLO是基于图像的全局信息进行预测的。这一点和基于sliding window以及region proposal等检测算法不一样。与Fast
R-CNN相比，YOLO在误检测（将背景检测为物体）方面的错误率能降低一半多。 - 可以学到物体的generalizable-representations。可以理解为泛化能力强。
推荐使用 AlexeyAB版本Darknet
环境配置
推荐平台：
- ubuntu + cuda +
cudnn + opencv cuda、cudnn需申请成为nvidia开发者方可下载 - win + cuda + cudnn + opencv（win平台下需安装vs+openCV，通过编译darknet源码，产生darknet.exe运行程序，配置较为繁琐，不介意者可以尝试）
- N卡，台式机平台（ RTX 2080ti nb!）
搭建教程（ubuntu下）
环境搭建思路（ubuntu->cuda->cudnn->opencv)：
- ubuntu：16.04版本使用率较高，但在显卡、Cuda安装方面失败率较高，如果16.04始终装不上，推荐改用18.04。
- cuda、cudnn安装 推荐文章 下载cudnn需注意与Cuda版本搭配，最新的RTX显卡对于Cuda 9.0以下版本兼容性好像不高，笔者使用时发现显卡驱动容易蹦，RTX系推荐使用Cuda 10.0以上的版本
- opencv安装教程,推荐这篇文章
ubuntu：
训练前数据准备
笔者各文件的存放目录：
- Meals.data:/darknet-master
- Meals.names:/darknet-master
- Meals_test.txt:/darknet-master
- Meals_train.txt:/darknet-master
- yolov3-Meals.cfg:/darknet-master/cfg (基于yolov3.cfg的基础上进行修改)
- test train:/darknet-master(train目录下图片名称与标注文件名称需一一对应)
开始训练
train :
./darknet detector train Meals.data cfg/yolov3-Meals.cfgtest :
./darknet detector test Meals.data cfg/yolov3-Meals.cfg backup/yolov3-Meals_last.weights- More
训练完成
- 训练期间可以通过chart.png查看训练情况，随时停止训练
- /backup 下每隔一定的迭代步数，自动保存训练模型。
- 利用你的模型进行测试吧
总结
Darknet 大法好，上手快，效果显著。笔者一开始尝试过tensorflow的object_detection api进行物体检测识别，在环境搭建、训练脚本中屡屡碰壁，最终放弃。但不得不说，tensorflow的确强大，有能力可以进一步学习。前人栽树，后人乘凉，感谢开源分享，写这篇文章的目的，也是为了避免不断采坑事件的发生，为笔者的毕业设计做个铺垫。
中二怪