手把手教你用yolov3模型實現目標檢測(一)
寫在前面：
由於項目需要，使用yolov3模型做了各種現實場景物體的目標檢測。做完了過了好長時間，感覺有些遺忘，還是該留下點東西，方便自己查找，也希望能惠及他人。
同時，爲了督促自己補充理論體系，儘量做到知其然知其所以然
1、環境配置
首先，本教程是完全在ubuntu 18.04下進行的，你能找到的成熟框架不外乎以下三個：
https://github.com/qqwweee/keras-yolo3 ，基於keras編寫
https://github.com/pjreddie/darknet ，基於c++編寫
https://github.com/AlexeyAB/darknet ， 基於c++編寫
其中，第一個keras-yolo3需要搭建tensorflow-gpu,keras等很多環境。比較麻煩，有時間學習可以用這個。
推薦使用第二個官方框架pjreddie/darknet，官網(教程)如下：https://pjreddie.com/darknet/yolo/
第三個AlexeyAB/darknet項目近期一直在維護，而且文檔特別詳細。但個人感覺第二個官方框架實踐起來更簡單。
建議訓練和檢測過程中有任何問題，先到第二第三個倉庫的issues中查找，也許會找到你想要的。
好，那我們開始：
先下載該項目：https://github.com/pjreddie/darknet
CPU/GPU編譯：
編譯過程中，檢查環境：
我的環境：cmake version 3.10.2; 別的版本應該也可
Python 3.6.3 |Anaconda custom (64-bit)| (default, Oct 13 2017, 12:02:49)
教程也很清楚哦：https://pjreddie.com/darknet/install/
注意：darknet不支持gcc和g++6以上的版本，而ubuntu18.04默認安裝的gcc-7
因此，需要將gcc和g++分別降級：
（1） gcc/g++降級爲4.8版本
(1)在Ubuntu 16.04上安裝老版gcc十分簡單，直接用apt-get命令下載即可.
sudo apt-get install gcc-4.8
（2）安裝完成後輸入命令gcc --verison查看gcc的版本,此時還是高版本
（3）查看版本gcc-4.8版本是否安裝成功
ls /usr/bin/gcc*
（4）輸入命令設置默認版本:
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-4.8 100
（5）查看默認結果（非必須）
sudo update-alternatives --config gcc
（6）最終gcc --version 發現變成4.8版本了
g++的降級，只需把上面gcc改稱g++。gcc和g++的版本應該必須一致。
CPU:
cd darknet-master
make
就完事了，一般不會有問題。
GPU:
yolov3是十分高效快速的！這點不用過多介紹，雖然CPU版本以及很快，但GPU號稱快了500倍！
修改根目錄下的makefile文件的GPU和CUDNN爲1即可：
GPU=1
CUDNN=1
OPENCV=0
OPENMP=0
DEBUG=0
改完然後同樣的，根目錄 -> make就ok了
我的環境：
ubuntu18.04+CUDA9.0+CUDNN7+nvidia1050 4G顯存
安裝教程：（很多鏈接）
https://blog.csdn.net/Hu_helloworld/article/details/102614562
CPU和GPU實測yolov3檢測同一張圖片，cpu到7、8s,GPU就是0.幾s的量級
如果對於精確度要求不是特別高，而機器配置低對速度要求更高，建議使用yolov3-tiny版本（輕量，速度也可）
2、下載與訓練模型
yolov3.weights
模型文件包括**.cfg配置文件和.weights**權重文件
.cfg文件在項目中 /cfg目錄
下載權重文件：
https://pjreddie.com/media/files/yolov3.weights
或者
https://pjreddie.com/media/files/yolov3-tiny.weights
3、使用預訓練模型測試目標檢測
最簡單的檢測命令，在根目錄下執行
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
另一種命令寫法：
./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg
您將看到以下輸出：
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%
其中data文件夾中提供了一些示例圖像，以備不時之需。嘗試data/eagle.jpg，data/dog.jpg，data/person.jpg，或data/horses.jpg！
以下是我訓練tiny模型的檢測結果
到此位置我們可以使用官方提供的預訓練模型進行目標檢測，後面想在我們自己的場景下使用還需要自己訓練樣本，調整參數，調用自己的模型進行檢測。
下篇介紹，標註自己的PASCAL VOC圖片數據集，訓練自己的yolov3-tiny模型。