在 DarkNet 模型中编译 YOLO-V2 和 YOLO-V3

【yolov3】【1】在macOS上配置yolov3(darknet版)的python接口 今天在macOS上配置了一下yolov3的python接口。 Yolo的作者在github给出了python的接口(github_yolo(yolo作者)),但是clone下来跑了一下,发现这个是python2的,并不能跑通,遂放弃。 于是转向github_yolo(AlexeyAB)。这个版本的tutorial和维护都很好,作者一直有在更新,而且在原作者的基础上又加上了视频检测的部分。 步骤: ... 阅读详情

本篇文章译自英文文档 Compile YOLO-V2 and YOLO-V3 in DarkNet Models

作者是 Siju Samuel

更多 TVM 中文文档可访问 →Apache TVM 是一个端到端的深度学习编译框架,适用于 CPU、GPU 和各种机器学习加速芯片。 | Apache TVM 中文站

本文介绍如何用 TVM 部署 DarkNet 模型。所有必需的模型和库都可通过脚本从 Internet 下载。此脚本运行带有边界框的 YOLO-V2 和 YOLO-V3 模型。DarkNet 解析依赖 CFFI 和 CV2 库,因此执行脚本前要安装这两个库。

pip install cffi
pip install opencv-python
# numpy 和 matplotlib
import numpy as np
import matplotlib.pyplot as plt
import sys

# tvm 和 relay
import tvm
from tvm import te
from tvm import relay
from ctypes import *
from tvm.contrib.download import download_testdata
from tvm.relay.testing.darknet import __darknetffi__
import tvm.relay.testing.yolo_detection
import tvm.relay.testing.darknet

选择模型​

模型有:‘yolov2’、‘yolov3’ 或 ‘yolov3-tiny’

# 模型名称
MODEL_NAME = "yolov3"

下载所需文件​

第一次编译的话需要下载 cfg 和 weights 文件。

CFG_NAME = MODEL_NAME + ".cfg"
WEIGHTS_NAME = MODEL_NAME + ".weights"
REPO_URL = "https://github.com/dmlc/web-data/blob/main/darknet/"
CFG_URL = REPO_URL + "cfg/" + CFG_NAME + "?raw=true"
WEIGHTS_URL = "https://pjreddie.com/media/files/" + WEIGHTS_NAME

cfg_path = download_testdata(CFG_URL, CFG_NAME, module="darknet")
weights_path = download_testdata(WEIGHTS_URL, WEIGHTS_NAME, module="darknet")

# 下载并加载 DarkNet 库
if sys.platform in ["linux", "linux2"]:
    DARKNET_LIB = "libdarknet2.0.so"
    DARKNET_URL = REPO_URL + "lib/" + DARKNET_LIB + "?raw=true"
elif sys.platform == "darwin":
    DARKNET_LIB = "libdarknet_mac2.0.so"
    DARKNET_URL = REPO_URL + "lib_osx/" + DARKNET_LIB + "?raw=true"
else:
    err = "Darknet lib is not supported on {} platform".format(sys.platform)
 raise NotImplementedError(err)

lib_path = download_testdata(DARKNET_URL, DARKNET_LIB, module="darknet")

DARKNET_LIB = __darknetffi__.dlopen(lib_path)
net = DARKNET_LIB.load_network(cfg_path.encode("utf-8"), weights_path.encode("utf-8"), 0)
dtype = "float32"
batch_size = 1

data = np.empty([batch_size, net.c, net.h, net.w], dtype)
shape_dict = {"data": data.shape}
print("Converting darknet to relay functions...")
mod, params = relay.frontend.from_darknet(net, dtype=dtype, shape=data.shape)

输出结果:

Converting darknet to relay functions...

将计算图导入到 Relay 中​

编译模型:

target = tvm.target.Target("llvm", host="llvm")
dev = tvm.cpu(0)
data = np.empty([batch_size, net.c, net.h, net.w], dtype)
shape = {"data": data.shape}
print("Compiling the model...")
with tvm.transform.PassContext(opt_level=3):
    lib = relay.build(mod, target=target, params=params)

[neth, netw] = shape["data"][2:] # 当前图像 shape 是 608x608

输出结果:

Compiling the model...
/workspace/python/tvm/driver/build_module.py:268: UserWarning: target_host parameter is going to be deprecated. Please pass in tvm.target.Target(target, host=target_host) instead.
 "target_host parameter is going to be deprecated. "

加载测试图像​

test_image = "dog.jpg"
print("Loading the test image...")
img_url = REPO_URL + "data/" + test_image + "?raw=true"
img_path = download_testdata(img_url, test_image, "data")

data = tvm.relay.testing.darknet.load_image(img_path, netw, neth)

输出结果:

Loading the test image...

在 TVM Runtime 上执行​

这个过程与其他示例的相同。

from tvm.contrib import graph_executor

m = graph_executor.GraphModule(lib["default"](dev))

# 设置输入
m.set_input("data", tvm.nd.array(data.astype(dtype)))
# 执行
print("Running the test image...")

# 检测
# 阈值
thresh = 0.5
nms_thresh = 0.45

m.run()
# 得到输出
tvm_out = []
if MODEL_NAME == "yolov2":
    layer_out = {}
    layer_out["type"] = "Region"
 # 获取区域层属性(n、out_c、out_h、out_w、classes、coords 和 background)
    layer_attr = m.get_output(2).numpy()
    layer_out["biases"] = m.get_output(1).numpy()
    out_shape = (layer_attr[0], layer_attr[1] // layer_attr[0], layer_attr[2], layer_attr[3])
    layer_out["output"] = m.get_output(0).numpy().reshape(out_shape)
    layer_out["classes"] = layer_attr[4]
    layer_out["coords"] = layer_attr[5]
    layer_out["background"] = layer_attr[6]
    tvm_out.append(layer_out)
elif MODEL_NAME == "yolov3":
 for i in range(3):
        layer_out = {}
        layer_out["type"] = "Yolo"
 # 获取 yolo 层属性(n、out_c、out_h、out_w、classes 和 total)
        layer_attr = m.get_output(i * 4 + 3).numpy()
        layer_out["biases"] = m.get_output(i * 4 + 2).numpy()
        layer_out["mask"] = m.get_output(i * 4 + 1).numpy()
        out_shape = (layer_attr[0], layer_attr[1] // layer_attr[0], layer_attr[2], layer_attr[3])
        layer_out["output"] = m.get_output(i * 4).numpy().reshape(out_shape)
        layer_out["classes"] = layer_attr[4]
        tvm_out.append(layer_out)
elif MODEL_NAME == "yolov3-tiny":
 for i in range(2):
        layer_out = {}
        layer_out["type"] = "Yolo"
 # 获取 yolo 层属性(n、out_c、out_h、out_w、classes 和 total)
        layer_attr = m.get_output(i * 4 + 3).numpy()
        layer_out["biases"] = m.get_output(i * 4 + 2).numpy()
        layer_out["mask"] = m.get_output(i * 4 + 1).numpy()
        out_shape = (layer_attr[0], layer_attr[1] // layer_attr[0], layer_attr[2], layer_attr[3])
        layer_out["output"] = m.get_output(i * 4).numpy().reshape(out_shape)
        layer_out["classes"] = layer_attr[4]
        tvm_out.append(layer_out)
        thresh = 0.560

# 检测,并画出边界框
img = tvm.relay.testing.darknet.load_image_color(img_path)
_, im_h, im_w = img.shape
dets = tvm.relay.testing.yolo_detection.fill_network_boxes(
 (netw, neth), (im_w, im_h), thresh, 1, tvm_out
)
last_layer = net.layers[net.n - 1]
tvm.relay.testing.yolo_detection.do_nms_sort(dets, last_layer.classes, nms_thresh)

coco_name = "coco.names"
coco_url = REPO_URL + "data/" + coco_name + "?raw=true"
font_name = "arial.ttf"
font_url = REPO_URL + "data/" + font_name + "?raw=true"
coco_path = download_testdata(coco_url, coco_name, module="data")
font_path = download_testdata(font_url, font_name, module="data")

with open(coco_path) as f:
    content = f.readlines()

names = [x.strip() for x in content]

tvm.relay.testing.yolo_detection.show_detections(img, dets, thresh, names, last_layer.classes)
tvm.relay.testing.yolo_detection.draw_detections(
    font_path, img, dets, thresh, names, last_layer.classes
)
plt.imshow(img.transpose(1, 2, 0))
plt.show()

在这里插入图片描述

输出结果:

Running the test image...
class:['dog 0.994'] left:127 top:227 right:316 bottom:533
class:['truck 0.9266'] left:471 top:83 right:689 bottom:169
class:['bicycle 0.9984'] left:111 top:113 right:577 bottom:447
脚本总运行时长:(1 分 1.020 秒)

下载 Python 源代码:from_darknet.py

下载 Jupyter Notebook:from_darknet.ipynb

【darknet-yolo系列】Windows下在c++中调用darknet-yolo进行检测 本方法采用darknet自带的yolo_cpp_dll.dll来实现在c++代码中调用darknet; 1.下载darknet项目: github地址:https://github.com/AlexeyAB/darknet 2.打开darknet主目录下 build\darknet 目录,打开yolo_cpp_dll.sln文件 打开项目属性: 检测CUDA C/C++ 路径: 加载 opencv路径(包含目录,库目录,链接器-输入-附加依赖项) 具体操作可参考: VS2015安装opencv3.4. 阅读详情

相关推荐

YOLO通过darknet ros包实现物体识别

darknet ros 物体识别 在之前的《ubuntu系统THETA S全景相机 通过ROS图像变换 》这篇博客中,介绍了将图像Theta S原图像变换成全景图像。本篇博客介绍通过darknet ros包对全景图像进行物体识别。darknet ros包是对YOLO的在ros系统下的实现。下载地址在github。 darknet ros 调试 安装好darknet包之后,需要对里面的一些功能进行自...

weixin_45678940的博客 3413

使用TVM编译部署DarkNet模型的YOLO目标检测算法

在深度学习领域,DarkNet框架因其高效和轻量级特性而广受欢迎,特别是其YOLO系列目标检测算法。本文将详细介绍如何使用TVM(Tensor Virtual Machine)来编译和部署DarkNet模型中的YOLO-V2和YOLO-V3算法。 ## 准备工作 ### 环境配置 在开始之前,需要确保环境中已安装以下依赖: ```bash pip install cffi opencv-p

gitblog_00618的博客 679

TVM在DarkNet模型中编译YOLO-V2和YOLO-V3

在DarkNet模型中编译YOLO-V2和YOLO-V3 本文是使用TVM部署Darknet模型的入门教程。所有必需的模型和库都将通过脚本从Internet下载。该脚本运行带有边界框的YOLO-V2和YOLO-V3模型。Darknet解析与CFFI和CV2库有依赖性。请在执行此脚本之前安装CFFI和CV2 pip install cffi pip install opencv-python # numpy and matplotlib import numpy as np import matplotli

qq_33287871的博客 677

Compile YOLOv2 / darknet-master

Steps for compiling yolo v2 ubuntu14.04 + cuda7.5 + opencv3.0 + cudnn7.0_v4

QQ843604066 的博客 652

【树莓派3b+和 intel movidius 神经元计算棒2代 系列 之三】 将darknet转的bin和xml文件在树莓派上测试yolo v3和yolo v3 tiny

相关系列文章: 树莓派3B+安装系统(Raspbian 9)以及环境配置 【树莓派3b+和 intel movidius 神经元计算棒2代 系列 之一】 安装与部署神经计算棒NCS2 【树莓派3b+和 intel movidius 神经元计算棒2代 系列 之二】 darknet的weights模型转为计算棒所需的IR模型 本篇文章是在完成第二步中 转换得到的 计算棒支持的bin,...

c20081052的专栏 3251

NCKU mmnlab项目:利用Darknet和YOLO-v3检测利奇臭虫

Darknet的诞生可以追溯到2012年,由Joseph Redmon创立,它是一个轻量级、易于使用的深度学习框架,最初设计用来支持他的研究和开发工作。Joseph Redmon在华盛顿大学的研究项目中提出了Darknet框架的初步设计,目标是构建一个具有高效计算和简洁结构的深度学习框架。Darknet最初主要为研究目的而设计,但是随着机器学习和深度学习领域的快速发展,其框架本身也在不断迭代更新和优化。经过多次版本迭代,Darknet框架逐渐成为一种专门用于计算机视觉和目标检测任务的深度学习框架。

weixin_31597759的博客 1424

基于darknet部署yolov3-tiny ros结合yolov3-tiny目标检测 Ubuntu下使用yolov3-tiny

在Ubuntu下使用darknet(yolov3-tiny)实现目标检测,包括图片、视频、摄像头检测。

Yangxiaoaijiejie的博客 1460

NOC片上网络设计解析:从总线瓶颈到拓扑、路由与QoS实践

随着SoC中主设备数量激增,传统共享总线与交叉开关在带宽、时序和可扩展性上逐渐力不从心。片上网络(NOC)借鉴计算机网络的分组交换思想,将芯片内部互连视为分布式子系统,通过节点、路由器、链路与网络接口的协同,实现高效的并行数据传输。本文从NOC的基本组成出发,深入对比Mesh、Torus、Ring等拓扑的适用场景,剖析XY路由与Credit流控的工作机制,并探讨AXI/CHI协议适配、QoS调度及低功耗设计的工程实践。掌握这些核心概念,有助于工程师在AI芯片、多核处理器及Chiplet互连设计中精准构建高带

weixin_29190651的博客 240

2025最完整TVM实战:DarkNet模型部署YOLO-V2/V3全流程优化指南

你是否正面临这些痛点?YOLO模型训练完成却卡在部署环节,服务器端性能未达预期,边缘设备算力不足导致实时性差,跨平台适配耗费大量精力调试?本文将通过TVM编译框架,提供一套从模型转换到终端部署的全流程解决方案。读完本文你将掌握: - 3步完成DarkNet模型到TVM IR的转换 - 针对YOLO特性的编译优化参数配置 - x86/ARM平台性能调优实战技巧 - 部署包体积缩减60%的工程方案

gitblog_00141的博客 690

DeepSeek提示词实战:从零到百的AI角色扮演指南(附100+场景模板)

本文提供了一份详尽的DeepSeek提示词实战指南,重点讲解AI角色扮演的核心技巧。通过“角色扮演四要素法”和五大核心场景模板,帮助用户从零开始掌握如何设计高质量提示词,有效提升AI输出的深度与精度,并附赠100+实用场景模板供参考。

weixin_29305337的博客 593

HDR标准核心参数全解析:从PQ/HLG到元数据,一篇搞懂技术选型

本文全面解析HDR标准的核心参数,包括PQ/HLG传输函数和元数据机制,帮助读者理解技术选型的关键因素。通过对比主流HDR标准的技术细节,提供从内容创作到硬件适配的实用指南,助力实现更真实的视觉体验。

weixin_31766003的博客 302

[darknet][转载]darknet使用说明书20210407版

Yolo v4, v3 and v2 for Windows and Linux (neural networks for object detection) Paper YOLO v4: https://arxiv.org/abs/2004.10934 Paper Scaled YOLO v4: https://arxiv.org/abs/2011.08036 use to reproduce results: ScaledYOLOv4 More details in articles on mediu

FL1623863129的博客 1148

QFN封装芯片手工焊接实战:从焊盘处理到拖焊技巧

本文详细介绍了QFN封装芯片手工焊接的全过程,从焊盘处理到拖焊技巧,再到常见问题的现场修复方法。通过实战经验分享,帮助工程师和DIY爱好者掌握0.5mm小间距QFN芯片的焊接技术,提升焊接成功率和质量。重点讲解了垂直与平行拖焊手法的对比应用,以及焊后清理与质量检验的关键步骤。

weixin_42652674的博客 534

YOLO ROS 完全指南:在 ROS 中实现实时目标检测的终极教程

YOLO ROS(darknet_ros)是一个强大的开源项目,它将YOLO(You Only Look Once)实时目标检测算法与ROS(Robot Operating System)完美结合,为机器人开发者提供了高效、准确的目标检测解决方案。通过本教程,您将快速掌握如何在ROS环境中部署和使用YOLO ROS,让您的机器人拥有"火眼金睛"。 ## 🚀 什么是 YOLO ROS? YOL

gitblog_00331的博客 762

Microsemi Libero系列教程(四)——PLL的使用

文章目录PLL是什么Libero中PLL的使用官方文档 系列教程:Microsemi Libero系列教程 PLL是什么 PLL(Phase Locked Loop): 为锁相回路或锁相环,用来统一整合时钟信号,使高频器件正常工作,如内存的存取资料等。PLL用于振荡器中的反馈技术。 许多电子设备要正常工作,通常需要外部的输入信号与内部的振荡信号同步。一般的晶振由于工艺与成本原因,做不到很高的频率...

whik1194的博客 7216

69页完整版智慧港口综合解决方案

智慧港口需求4港机远程操控等自动化改造需求自动化码头AGV无线通信及专用视频系统需求安全生产视频监控类需求港机RCMS及设备管理需求岸边智能理货码头三维全景应用智慧港口解决方案5自动化码头AGV/跨运车/无人集卡无线接入港机远控视觉及冗余无线通信视觉集卡防吊起系统集装箱码头岸边智能理货港机RCMS系统无线接入港机智能化管理(无线高清视频监控、一键报警、远程抄表系统)港口拖轮无线接入岸边溢油监测系统TD-LTE覆盖及业务终端接入港口生产管理系统港口可视化集群调度港口GiNMS综合网络设备智能管理全球作业效率最

zuoan1993的博客 2131

ROS下实现darknet_ros(YOLO V3)检测

一. 代码下载 代码Github主页:darknet_ros_github 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 ...

qq_42145185的博客 4万+

【Network Management】AUTOSAR局部网络管理从0到1配置实践

AUTOSAR局部网络管理从0到1配置实践

qq_36056498的博客 2916

深度学习:YOLO v3(darknet)——训练自己的VOC数据

论文:YOLOv3: An Incremental Improvement  论文地址:https://pjreddie.com/media/files/papers/YOLOv3.pdf darknet代码:https://github.com/AlexeyAB/darknet#how-to-compile-on-linux   本文配置的方法也主要是参考  https://github...

volcano_Lin 的博客 1万+

RDkit入门

今天开始写RDkit的入门教程,每天学习和写一小点,相信一句话“不积跬步无以至千里,不积小流无以成江海”,所以就慢慢来,一点一滴积累叭,从最简单的开始喽希望自己每天都能保持写博客的好习惯,把自己的代码笔记就极在这里,RDkit一块啃了很久的骨头,今天终于要下定决心,好好总结一波了,希望保持这个更新的频率,每天都能有所学。............

博客而已 6689

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

【YOLO V3】Darknet AutoDL 训练自定义模型

本文适合已经掌握 YOLO V3 和 Darknet 基础知识的读者,帮助他们快速上手在 AUTODL 服务器上训练自己的 YOLO V3 模型。因此,本文不会过多赘述原理部分,详细内容请参考-【YOLO V3】目标检测 Darknet 训练自定义模型。YOLOv3 Darknet 适用于资源要求较低的嵌入式设备,具有较快的推理速度,特别适合在资源有限的条件下进行轻量化部署。【YOLO V3】目标检测 Darknet 训练自定义模型。

AbaAbaxxx_的博客 1034

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

在ROS中实现darknet_ros(YOLO V3)检测以及训练自己的数据集

目录 1.darknet_ros介绍 2.darknet_ros原始项目编译测试 3.yolov3训练自己的数据集 4.使用自己训练好的数据集 1.darknet_ros介绍 Darknet概述https://blog.csdn.net/u010122972/article/details/83541978 https://github.com/leggedrobotics/darknet_ros darknet-ros相关开源项目https://github.com/topi...

weixin_43221552的博客 9705

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

Windows下QT调用YOLO-V3(Darknet)

环境:Windows、CUDA8.0、CUDNN6.0、VS13、QT5.3.0 概述: 1.YOLO-V3:根据Darknet编译得到对应的yolo_cpp_dll.lib和yolo_cpp_dll.dll C++ YOLOV3工程化下载地址: https://download.csdn.net/download/yangjayhui/11688131 2.了解学习QT5;...

Crazy_Happy的博客 2117

【ROS】Darknet_ROS YOLO V3 部署自训练模型 目标检测

本文适用于已掌握YOLOv3和Darknet基础知识的读者,旨在帮助大家快速在ROS上部署自定义 YOLOv3 模型,实现目标检测。为了聚焦于部署流程,本文不会详细讲解原理部分。如需补充相关前置知识,请参考以下文章:数据集标注(手动标注)【YOLO】X-AnyLabeling 数据集标注数据集标注(AI标注)【YOLO】X-AnyLabeling 半自动标注训练 Darknet 自定义模型(本机)【YOLOv3】目标检测 Darknet 训练自定义模型训练 Darknet 自定义模型(服务器)

AbaAbaxxx_的博客 1904

darknet框架_手把手教你如何在darknet框架下配置yolo v3

手把手教你如何在darknet框架下配置yolo v3目录:什么是darknet如何配置darknet以及测试制作VOC数据集使用yolo v3训练自己的数据什么是darknet可以把darknet看成是一个框架,里面包含了从AlexNet到现在yolo的配置文件,都是基于C实现的,使用者可以根据自己的需求加载网络,来测试或者训练自己的data。以下只截取了一部分。 优点:完全基于C和CUDA开发...

weixin_32497403的博客 1325

C++调用编译好的darknet来进行物体监测

前言 darknet是一个基于C写出的框架,yolov3速度快,定位准确率比较高,很适合落地到自己的工程中。那么如何调用编译好的darknet.so动态链接库呢? 正文 首先需要去darknet官网下载好darknet-master,然后进行编译,编译的时候最好选择GPU格式的,这样在后面监测的时候速度会非常快。 好啦,直接上代码吧~代码主要包含两个头文件和两个源文件。 imprcoess.h #...

qq_29462849的博客 6579
上一篇: AI 卷到正经「挖矿」业,卡内基科学研究所另辟蹊径,靠关联分析法找到新矿床...
下一篇: AI 卷到正经「挖矿」业,卡内基科学研究所另辟蹊径,靠关联分析法找到新矿床
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值