OLOV3算法解讀

在yolov3前，還有yolov2以及yolo 2個版本，YOLO 的核心思想是用整張圖作為網絡的輸入，直接在輸出層回歸 bounding box（邊界框） 的位置及其所屬的類別，由于yolo前2個版本的缺陷，作者發布了第三個版本yolov3，其yolov3在不同訓練集上的速度與精確度遠遠大于Faster R-CNN，ResNet，SSD等訓練算法，yolo算法的發布便引起了大家的廣泛關注

YOLO3主要的改進有：調整了網絡結構；利用多尺度特征進行對象檢測；對象分類用Logistic取代了softmax。

新的網絡結構Darknet-53

在基本的圖像特征提取方面，YOLO3采用了稱之為Darknet-53的網絡結構（含有53個卷積層），它借鑒了殘差網絡residual network的做法，在一些層之間設置了快捷鏈路（shortcut connections）。

DBL:代碼中的Darknetconv2d_BN_Leaky，是yolo_v3的基本組件, 卷積+BN+Leaky relu

resn：n代表數字，有res1，res2, … ,res8等等，表示這個res_block里含有多少個res_unit

concat：張量拼接。將darknet中間層和后面的某一層的上采樣進行拼接

上圖的Darknet-53網絡采用256*256*3作為輸入，最左側那一列的1、2、8等數字表示多少個重復的殘差組件。每個殘差組件有兩個卷積層和一個快捷鏈路，示意圖如下：

關于YOLOV3以及yolo算法的詳細解讀，大家查看網絡上的解讀，我們分享的文章主要是如何來使用它，按照我們先前講解的Faster R-CNN，ResNet，SSD等算法：

5步實現深度學習OpenCV對象檢測：Faster-RCNN圖片識別

深度學習和OpenCV的對象檢測(MobileNet SSD圖像識別)

依然可以使用python來進行yolo的執行，此部分我們后期分享，本期主要分享Darknet的安裝

Darknet的Windows環境下安裝

Darknet：C語言中的開源神經網絡

Darknet是一個用C和CUDA編寫的開源神經網絡框架。它快速，易于安裝，并支持CPU和GPU計算，以上說的易于安裝主要是Linux環境下的安裝，若你習慣了Linux環境，可以按照官網教程幾行命令行來進行Darknet的安裝（PS：果然大牛程序員都是使用Linux系統的）

Darknet的Windows環境下安裝，比較復雜，好在有網友已經編寫好了源代碼，我們使用編譯器來進行編譯

1、源代碼下載

源代碼小編已經下載（可直接回復：Darknet），解壓好的代碼結構如下：

解壓完成后打開bulid文件夾，使用visual studio 2015 profession 專業版打開darknet_no_gpu.sln 文件，若你有cuda ，可以查看你的cuda版本，對darknet.vcxproj的cuda版本進行修改（修改2處），然后使用visual studio 2015 profession打開darknet.sln文件，由于no_gpu版本適合所有用戶，我們分享no_gpu版本，有gpu的版本可以參考本期來進行設置。

2、opencv windows 版本下載安裝

由于yolo使用到opencv ,我們需要下載windows版本的opencv，推薦版本大于3.4.2

opencv windows版本可以直接到官網下載，下載完成后，直接打開exe的文件，便可以安裝完成（exe的安裝不再一一介紹，這個軟件好像不是安裝，感覺解壓縮后就可以了，exe類似一個rar的后綴）

3、visual studio 設置

使用visual studio 2015 profession 專業版打開darknet_no_gpu.sln 文件后，更改release X64

打開項目-屬性

打開項目-屬性C/C++ 常規-添加包含目錄-編輯

選擇自己安裝的opencv目錄（\opencv\build\include）

打開項目-屬性-鏈接器- 常規-添加庫目錄-編輯

添加自己opencv的安裝目錄（\opencv\build\x64\vc14\lib）

打開項目-屬性-鏈接器-輸入-添加依賴項-編輯

打開編輯框，輸入opencv_world346.lib（小編安裝的opencv是3.4.6版本的，所以這地方要填寫自己的版本lib文件，此文件在安裝目錄：opencv\build\x64\vc14\lib）

添加opencv_world346.lib依賴項

4、release exe版本文件

待visual studio配置完成后，就可以編譯完成exe文件，此文件在darknet-master\build\darknet\x64文件夾下

5、運行代碼檢測來進行對象檢測

在darknet-master\build\darknet\x64目錄下，按住shift+鼠標右鍵打開cmd命令行

在此之前，請把yolov3.weights預訓練權重（回復小編：Darknet）與opencv_world346.dll（opencv\build\x64\vc14\bin）拷貝到本目錄下

在cmd命令行下運行如下代碼：

darknet_no_gpu.exe detect yolov3.cfg yolov3.weights dog.jpg

待軟件運行完成，便可以生產檢測好的圖片與對象檢測的概率

6、總結

以上便是整個過程，若覺得上述過程比較麻煩（回復小編：Darknet）,小編已經release好了代碼，且已經封裝了opencv的庫，可以下載到自己電腦上，直接運行便可

下期我們介紹一下如何使用python代碼來進行yolov3的對象檢測

yolo-v3號稱比fast-RCNN快100倍。yolo-v3用了新方法來提升訓練速度，提高性能。新方法包括有多尺度預測，更好的backbone分類器等。用了53個卷積層，叫Darknet-53。

本想試驗下，但darknet在Windows上好像不支持，官網未說明。暫且備忘。

1、用預訓練模型來檢測：

首先安裝dartnet。

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

cd darknet

make

再下載模型，并把config文件放置到cfg/目錄下。

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

然后運行檢測：

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

檢測多張圖像：

./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg

2、基于webcam實時檢測：

首先編譯使用cuda，opencv的dartnet。

實時檢測：./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights

如果用一段視頻來檢測，用如下命令：

./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights <video file>

hello

demo