darknet安裝

官網安裝：https://pjreddie.com/darknet/install/
Darknet安裝相對caffe來說非常簡單。
Opencv和cuda作為選裝的部分，可以不安裝。推薦安裝這兩個，只有安裝的cuda才能使用gpu。只有安裝了opencv才能呼叫攝像頭進行實時檢測。
Opencv和cuda的安裝方法參考安裝caffe時的安裝方法：
http://blog.csdn.net/vvyuervv/article/details/60755653
Darknet的安裝簡單來說就三個步驟：下載安裝包，修改Makefile檔案，編譯
下載安裝包：
使用命令列下載的命令：

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

當然也可以直接輸入網址進行下載：
https://github.com/pjreddie/darknet.git
下載之後開啟資料夾裡的Makefile檔案，如果你安裝的opencv和cuda，則將Makefile檔案中的GPU和OPENCV修改成1 。 即：

GPU=1
OPENCV=1 
CUDNN=1  
...  
NVCC=/usr/local/cuda-8.0/bin/nvcc 

如果沒有安裝opencv和cuda就不需要進行修改

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

這樣就可以了，沒有安裝opencv和cuda的情況下編譯很快，安裝了的編譯時要等一會，時間也不是很長。
測試已訓練好的權重
接著下載了yolo v3的weight：

wget https://pjreddie.com/media/files/yolov3.weights
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

得到了網路架構和識別結果

當前目錄多出一張識別結果圖片，開啟圖片！
當然我們也可以這樣來跑一段Video

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

darknet訓練中遇到的問題

1、 在.data檔案中，每行的後面不能有空格。程式在執行時會有字串的拼接，查詢地址，如果有空格，會出現找不到檔案的錯誤。
2、進行finetuning時，不能直接只用已訓練好的權重，需要經過

./darknet partial cfg/darknet19_448.cfg darknet19_448.weights darknet19_448.conv.23 23 

命令的轉換，使用darknet19_448.conv.23進行微調
3、 測試召回率recall的命令

./darknet detector recall data/our.data cfg/yolo.cfg backup/yolo_final.weights 

需要在data資料夾內建立一個coco_val_5k.list檔案，裡面存放需要測試的圖片的路徑和名稱。
4、 測試時是每張圖片都會顯示資訊

833 204 282 RPs/Img:760.41 IOU: 57.22% Recall:72.34%

ID 833 預測正確的框的個數204 總共282個框
5、 將測試的所有資料放入TXT文件中
./darknet detector recall data/oil_data/960x480/our.data data/oil_data/960x480/tiny-yolo.cfg data/oil_data/960x480/backup/tiny-yolo_final.weights 2>> iou.txt
只有NAN在平均數十次迭代中發生平均損失時，訓練才會出錯。
Nan為什麼會出現：https://github.com/AlexeyAB/darknet/issues/636#issuecomment-381400954

darknet 執行已有資料

Darknet 官網給出了使用已經訓練好的網路結構yolo去進行實時的檢測的教程
連結：https://pjreddie.com/darknet/yolo/
。。。。。。。
第二步：生成TXT檔案
標記完後會生成每張圖片對應的xml檔案，也就是每張圖片的label檔案，我們需要提取其中的一些boundingbox的資訊。
在darknet的scripts資料夾下有一個voc_label.py的檔案，這個是針對voc圖片集的xml生成對應圖片TXT檔案的指令碼，根據自己的情況進行修改，生成自己的影象資料的TXT檔案資料。TXT檔案的內容每行都是 這種形式，且座標和長寬都應該是歸一化後的數值。
在執行voc_label.py 指令碼時還會生成一個train.txt檔案，改檔案裡存放的是每張圖片的絕對路徑。Train.txt是訓練時需要的檔案。
生成txt檔案後，記得將原影象和txt檔案放到同一個資料夾下。
利用scripts/kitti_label.py生成scripts/train.txt和scripts/train.all.txt檔案
第三步：在data資料夾裡面建立一個kitti.names檔案
檔案命名任意，檔案裡存放的是型別的名稱，每一類另起一行。

Pedestrian
Car

第四步：修改kitti.data檔案
之後我們修改darknet下cfg檔案中的voc.data檔案，當然我們也可以自己建立一個kitti.data檔案。

classes= 20                            #訓練資料的類別數目，我這裡只有一類，所以這裡是20
train  = <path-to-voc>/train.txt       #上面1.2步驟生成的train檔案路徑
valid  = <path-to-voc>test.txt         #上面1.2步驟生成的val檔案路徑
names = data/voc.names                 #上面2.1步驟建立的names檔案路徑
backup = backup                        #這是訓練得到的model的存放目錄，建議自己修改。

根據我們實際的檔案路徑和類別等相關資訊，對kitti.data檔案進行修改。cfg/kitti.data

classes= 2
train  = /home/whsyxt/Desktop/zhuzhao/yolo/darknet/scripts/train.txt
valid  =/home/whsyxt/Desktop/zhuzhao/yolo/darknet/scripts/kitti_list_file/test.txt
names = data/kitti.names
backup = /home/whsyxt/Desktop/zhuzhao/yolo/darknet/backup

同時設定data/kitti.names

Pedestrian
Car

第五步：修改.cfg檔案[???????]
複製yolo3.cfg檔案改名為yolov3-kitti.cfg檔案cfg/yolov3-kitti.cfg
假設我們使用yolo_voc.cfg網路來進行訓練，我們需要到darknet/cfg/資料夾下找到yolo_voc.cfg檔案進行修改。當然，使用不同的網路，要修改對應的.cfg檔案。

A.filters數目是怎麼計算的：3x(classes數目+5)，和聚類數目分佈有關，論文中有說明；
B.如果想修改預設anchors數值，使用k-means即可；
C.如果視訊記憶體很小，將random設定為0，關閉多尺度訓練；
D.其他引數如何調整，有空再補;
E.前100次迭代loss較大，後面會很快收斂；
其它

learning_rate=0.001  ### 學習率                                           
burn_in=1000         ### 學習率控制的引數
max_batches = 50200  ### 迭代次數                                          
policy=steps         ### 學習率策略                                       
steps=40000,45000    ### 學習率變動步長                                    
scales=.1,.1         ### 學習率變動因子     

訓練

下載權重：wget https://pjreddie.com/media/files/darknet53.conv.74
./darknet detector train cfg/kitti.data cfg/yolov3-kitti.cfg darknet53.conv.74
# 多個gpu
./darknet detector train cfg/kitti.data cfg/yolov3-kitti.cfg darknet53.conv.74 -gpus 0,1,2,3
# If you want to stop and restart training from a checkpoint:
./darknet detector train cfg/kitti.data cfg/yolov3-kitti.cfg backup/yolov3.backup -gpus 0,1,2,3

輸出得到：
（3）bounding box正確，標籤錯亂，這裡提供兩種方案供選擇。
A.不改原始碼，不用重新編譯
修改coco.names中內容，為自己的檢測目標類別
B.改原始碼，需要重新編譯[ 先 make clean ,然後再 make]
原因是作者在程式碼中設定了預設，所以修改 examples/darknet.c檔案，將箭頭指示的檔案替換成自己的。然後重新編譯即可。

優點：速度快，精度提升，小目標檢測有改善；
不足：中大目標有一定程度的削弱，遮擋漏檢，速度稍慢於V2。