YOLOv3配置(Ubuntu版本 附weight资源)

（YOLO链接: 网盘地址  密码: qfr4）是最新的实时物体检测系统。将单个神经网络应用于完整图像。该网络将图像划分为多个区域，并预测每个区域的边界框和概率。这些边界框由预测的概率加权，与基于分类器的系统相比，我们的模型具有多个优势。它在测试时查看整个图像，因此其预测由图像中的全局上下文提供。与像R-CNN这样的系统需要数千个单个图像的系统不同，它还可以通过单个网络评估来进行预测。

                                              

step 1：安装darknet

git clone https://github.com/pjreddie/darknet

cd darknet

make

step2：下载权重文件

将yolov3.weights放到darknet目录下

wegt方式下载：没外网就是龟速

wget https://pjreddie.com/media/files/yolov3.weights

百度网盘链接 ：

https://pan.baidu.com/s/1x4GxbiYANNarlfAyZefTUw
密码: qfr4

 

step3 检测是否正常工作 

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

      

Darknet会打印出它检测到的对象，其置信度以及找到它们所花费的时间。我们没有使用Darknet进行编译，OpenCV因此无法直接显示检测结果。而是将它们保存在中predictions.png。您可以打开它以查看检测到的对象。在CPU上使用Darknet，每个图像大约需要6-12秒。如果使用GPU版本，它将更快。

 

                                     

step4 修改配置文件改成GPU版本

cd darknet

vim  Makefile

将其设定为

                   GPU=1

                   CUDNN=1

                   OPENCV =1

保存后重新make:

                            make clean  

                             make

由于我的显卡是mx150 所以cuda、cudnn就没有弄，单纯的用cpu跑的。遗憾啊！

data_cfg：数据配置文件，eg：cfg/voc.data

　　models_cfg：模型配置文件，eg：cfg/yolov3-voc.cfg

　　weights：权重配置文件，eg：weights/yolov3.weights

　　test_file：测试文件，eg：*/*/*/test.txt

　　-thresh：显示被检测物体中confidence大于等于 [-thresh] 的bounding-box，默认0.005

　　-out：输出文件名称，默认路径为results文件夹下，eg：-out "" //输出class_num个文件，文件名为class_name.txt；若不选择此选项，则默认输出文件名为comp4_det_test_"class_name".txt

　　-i/-gpu：指定单个gpu，默认为0，eg：-gpu 2

　　-gpus：指定多个gpu，默认为0，eg：-gpus 0,1,2