目标检测：YOLO-V3算法实现
1. 引言
论文：You Only Look Once: Unified, Real-Time Object Detection
论文地址：https://arxiv.org/abs/1506.02640
DarkNet源码下载地址：https://github.com/pjreddie/darknet
Tensorflow源码下载地址：https://github.com/hizhangp/yolo_tensorflow
2.实现（基于darknet）
这篇文章将指导您使用预训练的模型通过YOLO系统检测物体。如果尚未安装Darknet，则应先进行安装。
环境：Ubuntu16.04
1.主目录打开命令行，输入命令：
git clone https://github.com/pjreddie/darknet
cd darknet
make
简单！
2.您已经在cfg/子目录中拥有YOLO的配置文件。可以离线下载预训练重量文件（237 MB）。或着只是运行此命令：
离线下载地址：
https://pjreddie.com/media/files/yolov3.weights
在线下载命令：
wget https://pjreddie.com/media/files/yolov3.weights
3.然后运行检测器
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
您将看到以下输出：
layer filters size input output
0 conv 32 3 x 3 / 1 416 x 416 x 3 -> 416 x 416 x 32 0.299 BFLOPs
1 conv 64 3 x 3 / 2 416 x 416 x 32 -> 208 x 208 x 64 1.595 BFLOPs
.......
105 conv 255 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 255 0.353 BFLOPs
106 detection
truth_thresh: Using default '1.000000'
Loading weights from yolov3.weights...Done!
data/dog.jpg: Predicted in 0.029329 seconds.
dog: 99%
truck: 93%
bicycle: 99%
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因此它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。由于我们在CPU上使用Darknet，因此每个图像大约需要6-12秒。如果我们使用GPU版本，它将更快。
另外，作者提供了一些示例图像，以备不时之需。尝试data/eagle.jpg，data/dog.jpg，data/person.jpg，或data/horses.jpg！
该detect命令是该命令的更通用版本的简写。它等效于命令：
./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg
如果只想对一个图像进行运行检测，就不需要知道这一点，但是了解是否要进行其他操作（例如在网络摄像头上运行）将很有用。
多张图片
您可以将其留为空白，以连续尝试多个图像，而不必在命令行上提供图像。相反，当配置和权重加载完成时，您将看到提示：
./darknet detect cfg/yolov3.cfg yolov3.weights
layer filters size input output
0 conv 32 3 x 3 / 1 416 x 416 x 3 -> 416 x 416 x 32 0.299 BFLOPs
1 conv 64 3 x 3 / 2 416 x 416 x 32 -> 208 x 208 x 64 1.595 BFLOPs
.......
104 conv 256 3 x 3 / 1 52 x 52 x 128 -> 52 x 52 x 256 1.595 BFLOPs
105 conv 255 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 255 0.353 BFLOPs
106 detection
Loading weights from yolov3.weights...Done!
Enter Image Path:
输入一个图像路径，data/horses.jpg以使其预测该图像的框
完成后，它将提示您输入更多尝试不同图像的路径。完成后，使用Ctrl-C退出程序。
更改检测阈值
默认情况下，YOLO仅显示置信度为.25或更高的对象。您可以通过将-thresh 标志传递给yolo命令来更改此设置。例如，要显示所有检测，可以将阈值设置为0：
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg -thresh 0
会产生所有的检测框。因此，这显然不是超级有用，但是可以将其设置为不同的值，以控制模型对阈值的限制。
4.微型的YOLOv3
对于受限环境，我们也有一个非常小的模型yolov3-tiny。要使用此模型，请首先下载权重：
wget https://pjreddie.com/media/files/yolov3-tiny.weights
5.网络摄像头上的实时检测
如果看不到结果，对测试数据运行YOLO并不是很有趣。不用在一堆图像上运行它，而是在网络摄像头的输入上运行它！
要运行此演示，将需要使用CUDA和OpenCV编译Darknet。然后运行命令：
./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights
YOLO将显示当前的FPS和预测的类别，以及在其顶部绘制边框的图像。
需要将网络摄像头连接到OpenCV可以连接到的计算机，否则它将无法正常工作。如果连接了多个网络摄像头，并且想要选择要-c 使用的网络摄像头0，则可以通过该标志进行选择（默认情况下，OpenCV使用网络摄像头）。
如果OpenCV可以读取视频，也可以在视频文件上运行它：
./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights <video file>
未完待续，之后将会进行yolo在VOC数据上训练，在自己的数据上训练~
您的支持，是我不断创作的最大动力~
欢迎点赞，关注，留言交流~
深度学习，乐此不疲~