OpenCV在3.3.1的版本中開始正式支持Darknet網絡框架並且支持YOLO1與YOLO2以及YOLO Tiny網絡模型的導入與使用。YOLO是一種比SSD還要快的對象檢測網絡模型，算法作者在其論文中說FPS是Fast R-CNN的100倍，基於COCO數據集跟SSD網絡的各項指標對比

在最新的OpenCV3.4上我也測試了YOLO3，發現不支持，因為YOLO3有個新層類型shortcut，OpenCV3.4的Darknet暫時還不支持。這裏首先簡單的介紹一下YOLO網絡基本結構，然後在通過代碼演示Darknet支持的YOLO在OpenCV使用。

一：YOLO網絡

對象檢測網絡基本上可以分為兩種，一種稱為兩步法、另外一種稱為一步法，很顯然基於圖像分類加上滑動窗口的方式最早的R-CNN就是兩步法的代表之一，兩步法的前面基本上是一個卷積神經網絡，可以是VGGNet或者Inception之類的，然後再加上一個滑動窗口，但是這種方法太慢，所以就有了區域推薦(RP)，預先推薦一些感興趣的區域，進行預言，這些方法普遍有一個缺點，計算量比較大，導致性能低下無法實時，而YOLO采樣了一種完全不同的方法，達到對圖像每個區域只計算一次(You Look at Once - YOLO)，YOLO把圖像分為13x13的Cell(網格)：

每個Cell預測5個BOX，同時YOLO也會生成一個置信分數，告訴每個BOX包含某個對象的可能性是多少，註意置信分數不會直接說明BOX內是檢測到何種對象，最終那些得分高的BOX被加粗顯示如下：

因為總數是13x13的網格，每個網格預言5個BOX，所以最終有854個BOX，證據表明絕大多數的BOX得分會很低，我們只要保留30%BOX即可(取決於你自己的閾值設置)，最終輸出：

從上面可以看出整個圖像只是被計算了一次，真正做到了降低計算量，提高了檢測實時性。上述檢測使用的YOLO的網絡結構如下：

發現只有CNN層，沒有FC層，是不是簡單到爆，最後說一下為什麽最後一層卷積層深度是125，

• BOX本身信息，x、y、w、h
• 置信分數
• 基於VOC數據集的20個對象類別

所以對每個BOX來說有25個參數，5個BOX= 5x25=125個參數。
上面是得到的網絡模型就是tiny-YOLO網絡模型，可以在移動端實時對象檢測。這個跟作者在論文中提到的稍微有點差異，論文中作者是輸入圖像為448x448，分為7x7的網格(Cell)，結構如下：

最終輸出是每個Cell預測兩個BOX，做20個分類，它得到最終是

• BOX本身信息，x、y、w、h
• 置信分數

深度 = SS(B5+20)， 其中20個表示分類數目，S表示網絡分割，B表示BOX個數。S=7、B=2，最終輸出是77*30

二：在OpenCV中使用YOLO

OpenCV在3.3.1版本中開始支持Darknet，可能有人會問，Darknet是什麽鬼，它是YOLO的作者自己搞出來的深度學習框架，支持C/C++/Python語言，支持YOLOv1、YOLOv2、YOLOv3等網絡模型訓練與使用。但是在OpenCV只是前饋網絡，只支持預測，不能訓練。OpenCV中基於YOLO模型我使用的是tiny-YOLO網絡模型，支持20中對象檢測。代碼實現步驟如下：
1. 加載網絡模型

String modelConfiguration = "D:/vcprojects/images/dnn/yolov2-tiny-voc/yolov2-tiny-voc.cfg";
String modelBinary = "D:/vcprojects/images/dnn/yolov2-tiny-voc/yolov2-tiny-voc.weights";
dnn::Net net = readNetFromDarknet(modelConfiguration, modelBinary);
if (net.empty())
{
    printf("Could not load net...\n");
    return;
}

2. 加載分類信息

vector<string> classNamesVec;
ifstream classNamesFile("D:/vcprojects/images/dnn/yolov2-tiny-voc/voc.names");
if (classNamesFile.is_open())
{
    string className = "";
    while (std::getline(classNamesFile, className))
        classNamesVec.push_back(className);
}

3. 加載測試圖像

// 加載圖像
Mat frame = imread("D:/vcprojects/images/fastrcnn.jpg");
Mat inputBlob = blobFromImage(frame, 1 / 255.F, Size(416, 416), Scalar(), true, false);
net.setInput(inputBlob, "data");

4. 檢測與顯示

// 檢測
Mat detectionMat = net.forward("detection_out");
vector<double> layersTimings;
double freq = getTickFrequency() / 1000;
double time = net.getPerfProfile(layersTimings) / freq;
ostringstream ss;
ss << "detection time: " << time << " ms";
putText(frame, ss.str(), Point(20, 20), 0, 0.5, Scalar(0, 0, 255));

// 輸出結果
for (int i = 0; i < detectionMat.rows; i++)
{
    const int probability_index = 5;
    const int probability_size = detectionMat.cols - probability_index;
    float *prob_array_ptr = &detectionMat.at<float>(i, probability_index);
    size_t objectClass = max_element(prob_array_ptr, prob_array_ptr + probability_size) - prob_array_ptr;
    float confidence = detectionMat.at<float>(i, (int)objectClass + probability_index);
    if (confidence > confidenceThreshold)
    {
        float x = detectionMat.at<float>(i, 0);
        float y = detectionMat.at<float>(i, 1);
        float width = detectionMat.at<float>(i, 2);
        float height = detectionMat.at<float>(i, 3);
        int xLeftBottom = static_cast<int>((x - width / 2) * frame.cols);
        int yLeftBottom = static_cast<int>((y - height / 2) * frame.rows);
        int xRightTop = static_cast<int>((x + width / 2) * frame.cols);
        int yRightTop = static_cast<int>((y + height / 2) * frame.rows);
        Rect object(xLeftBottom, yLeftBottom,
            xRightTop - xLeftBottom,
            yRightTop - yLeftBottom);
        rectangle(frame, object, Scalar(0, 0, 255), 2, 8);
        if (objectClass < classNamesVec.size())
        {
            ss.str("");
            ss << confidence;
            String conf(ss.str());
            String label = String(classNamesVec[objectClass]) + ": " + conf;
            int baseLine = 0;
            Size labelSize = getTextSize(label, FONT_HERSHEY_SIMPLEX, 0.5, 1, &baseLine);
            rectangle(frame, Rect(Point(xLeftBottom, yLeftBottom),
                Size(labelSize.width, labelSize.height + baseLine)),
                Scalar(255, 255, 255), CV_FILLED);
            putText(frame, label, Point(xLeftBottom, yLeftBottom + labelSize.height),
                FONT_HERSHEY_SIMPLEX, 0.5, Scalar(0, 0, 0));
        }
    }
}
imshow("YOLO-Detections", frame);

5. 運行效果

我的課程：
學習OpenCV3.3深度神經網絡(DNN)模塊-應用視頻教程

OpenCV DNN之YOLO實時對象檢測