YOLOv3：Darknet代码解析（一）安装Darknet
背景：源码地址
网站地址：
目的：安装并运行
相关文章：
：代码解析（一）安装
：代码解析（二）代码初步
：代码解析（三）卷积操作
：代码解析（四）结构更改与训练
：代码解析（五）权重与特征存储
：代码解析（六）简化的程序与卷积拆分
目录
1.安装
1.1 下载与make
1.1.1 知识：make指令
1.2 验证安装完成
1.3 运用GUDA
1.3.1 知识：-smi指令
1.4 运用
2. 实时的目标检测
2.1 关于
2.2 安装与运行
2.2.3 多图像处理
2.2.4 更改检测阈值
2.3 Tiny
2.3.1 下载权重
2.3.2 运行与测试
2.4 训练模型
1.安装 1.1 下载与make
git clone https://github.com/pjreddie/darknet.git
cd darknet
make系统会出现下面这些输出：
mkdir -p obj
gcc -I/usr/local/cuda/include/ -Wall -Wfatal-errors -Ofast....
gcc -I/usr/local/cuda/include/ -Wall -Wfatal-errors -Ofast....
gcc -I/usr/local/cuda/include/ -Wall -Wfatal-errors -Ofast....
.....
gcc -I/usr/local/cuda/include/ -Wall -Wfatal-errors -Ofast -lm....1.1.1 知识：make指令
无论是在linux 还是在Unix环境 中，make都是一个非常重要的编译命令。不管是自己进行项目开发还是安装应用软件，我们都经常要用到make或make 。利用make工具，我们可以将大型的开发项目分解成为多个更易于管理的模块，对于一个包括几百个源文件的应用程序，使用make和 工具就可以简洁明快地理顺各个源文件之间纷繁复杂的相互关系。
而且如此多的源文件，如果每次都要键入gcc命令进行编译的话，那对程序员 来说简直就是一场灾难。而make工具则可自动完成编译工作，并且可以只对程序员在上次编译后修改过的部分进行编译。
编译：把高级语言所书写的代码转换成机器可识别的指令，此时还不能够被执行，编译器通过检查高级语言的语法，函数和变量的声明是否正确！如果正确则产生中间目标文件（目标文件在Liunx中默认后缀为“.o”）
链接：将多.o 文件，或者.o 文件和库文件链接成为可被操作系统执行的可执行程序
静态库：又称为文档文件（ File） 。它是多个.o文件的集合。Linux中静态库文件的后缀为“.a”
共享库：也是多个.o 文件的集合，但是这些.o 文件时有编译器按照一种特殊的方式生成（共享库已经具备了可执行条件）
1.2 验证安装完成
输入 ./
系统会输出 usage: ./
下面1.3与1.4为可选项。1.3为运用GUDA进行GPU加速，1.4为运用
1.3 运用GUDA
在中把第一行改为 GPU=1，然后make
通过输入-smi指令可以查看显卡使用情况。
然后可以选择 i 选择使用的显卡。例如：
./darknet -i 1 imagenet test cfg/alexnet.cfg alexnet.weights也可使用nogpu指令不使用GPU
./darknet -nogpu imagenet test cfg/alexnet.cfg alexnet.weights1.3.1 知识：-smi指令
指令中间连着的不加空格。
第一栏的Fan：风扇转速，从0到100%之间变动，这个速度是计算机期望的风扇转速不是实际转速。有的设备不会返回转速，因为它不依赖风扇冷却。
第二栏的Temp：是温度。
第三栏的Perf：是性能状态，从P0到P12，P0表示最大性能，P12表示状态最小性能。
第四栏下方的Pwr：是能耗，上方的-M：是持续模式的状态，持续模式虽然耗能大，但是在新的GPU应用启动时，花费的时间更少，这里显示的是off的状态。
第五栏的Bus-Id是涉及GPU总线的东西，:bus:.
第六栏的Disp.A是 ，表示GPU的显示是否初始化。
第五第六栏下方的 Usage是显存使用率。
第七栏是浮动的GPU利用率。
第八栏上方是关于ECC的东西。
第八栏下方 M是计算模式。
1.4 运用
通常模式下，用.h用于图片加载。如果想用更多格式的图片加载，可以使用。需要在中把第二行改为=1，然后make。
可以直接输入下列指令验证。
./darknet imtest data/eagle.jpg输出为一个鹰的图片代表使用成功。
2. 实时的目标检测 2.1 关于
非常快速与准确，在IoU设为0.5时测定mAP，相比Focal Loss有4x的速度。并且，在速度与准确率之间时，不用重新训练模型。比R-CNN快1000倍，比-RCNN快100倍。
2.2 安装与运行
2.2.1 按上面安装好之后，下载相应的权重
wget https://pjreddie.com/media/files/yolov3.weight2.2.2 运行相应的
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
或者
./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg然后回出现类似下面的内容
layer filters size input output0 conv 32 3 x 3 / 1 416 x 416 x 3 -> 416 x 416 x 32 0.299 BFLOPs1 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 BFLOPs106 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%用编译会显示相应的图片，没有用不会弹出但是会将图片存成.png.运用CPU会有6-12秒运行一副图像，如果用GPU会快很多。
2.2.3 多图像处理
./darknet detect cfg/yolov3.cfg yolov3.weights
layer filters size input output0 conv 32 3 x 3 / 1 416 x 416 x 3 -> 416 x 416 x 32 0.299 BFLOPs1 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 BFLOPs105 conv 255 1 x 1 / 1 52 x 52 x 256 -> 52 x 52 x 255 0.353 BFLOPs106 detection
Loading weights from yolov3.weights...Done!
Enter Image Path:2.2.4 更改检测阈值
通常情况下YOLO的检测置信概率阈值为0.25或者更高，我们可以更改，输入- ，例如：我们通过下面这行指令把阈值设为0
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg -thresh 0结果会输出：![][all]
2.3 Tiny
是一个非常小的模型，用于受限运算资源和存储资源的情况，-tiny.我们FPGA上需要用到这个模型。
2.3.1 下载权重
wget https://pjreddie.com/media/files/yolov3-tiny.weights2.3.2 运行与测试
运用相应的cfg文件和运行
./darknet detect cfg/yolov3-tiny.cfg yolov3-tiny.weights data/dog.jpg运行结果
2.4 训练模型
见
：代码解析（四）结构更改与训练
