darknet无法打开data/coco.names文件处理方法

问题描述

在win10下通过git获取了darknet的源码，然后打包拷贝到Ubuntu18.04。按照darknet网站介绍成功编译了darknet。下面开始darknet训练。

$ ./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
Couldn't open file: data/coco.names

好吧，发现data/coco.names其实是存在的。

求助万能的baidu，果然发现有解决方法。参考https://blog.youkuaiyun.com/qq_39852676/article/details/91976390。

发生以上的原因，可能是模型直接从window系统上的复制到linux系统上，因为两者系统对文本的编码方式不同，导致运行出错。或者是运行的coco.names文件是从windows系统是直接复制的，导致此问题。

使用vim打开coco.names。

$ vim data/coco.names

输入 :set ff?

果然得到 fileformat=dos

按照上面所说将对应的darknet目录下所有的文件都改成unix模式。修改的方法如下

$ sudo apt-get install dos2unix
$ sudo find ./ -name "*.cfg" | xargs dos2unix
$ sudo find ./ -name "*.names" | xargs dos2unix

修改完成后，再次运行。

$ ./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
Couldn't open file: data/coco.names

好吧，发现还是同样问题，百思不得其解。

解决方法

好吧。不知道为什么解决不了。只好删除原有的darknet，利用git命令重新获得。

$ rm -rf darknet
$ git clone https://github.com/pjreddie/darknet

然后再次编译，解决这个问题。

$ cd darknet/
$ make
$ cp /mnt/hgfs/share/yolov3.weights .
$ ./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
layer     filters    size              input                output
    0 conv     32  3 x 3 / 1   608 x 608 x   3   ->   608 x 608 x  32  0.639 BFLOPs
    1 conv     64  3 x 3 / 2   608 x 608 x  32   ->   304 x 304 x  64  3.407 BFLOPs
    2 conv     32  1 x 1 / 1   304 x 304 x  64   ->   304 x 304 x  32  0.379 BFLOPs
    3 conv     64  3 x 3 / 1   304 x 304 x  32   ->   304 x 304 x  64  3.407 BFLOPs
    4 res    1                 304 x 304 x  64   ->   304 x 304 x  64
    5 conv    128  3 x 3 / 2   304 x 304 x  64   ->   152 x 152 x 128  3.407 BFLOPs
  103 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
  104 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
  105 conv    255  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 255  0.754 BFLOPs
  106 yolo
Loading weights from yolov3.weights...Done!
​
data/dog.jpg: Predicted in 42.598981 seconds.
dog: 100%
truck: 92%
bicycle: 99%
$ ls predictions.jpg 
predictions.jpg

这样成功完成了人生第一个深度学习识别。