以上都是V2，V2比V1佔視訊記憶體少，訓練更快，指標更好，論文還沒有出來，程式碼裡面也有V1的相關檔案可以直接用。官網的教程寫得挺好，首先要仔細看了再看其他教程。

教程：目前所有的教程都是針對V1的

1. YOLO的安裝：yolo的安裝相對於caffe等環境非常簡便，主要按照官網上去做http://pjreddie.com/darknet/install/

2. 資料格式轉換：

   1）每張圖片一個annotation，所有訓練圖片一個路徑list。

   2）annotation檔案：資料要轉換成darknet格式，作者提供了對voc資料的轉換，但是別的資料就需要自己寫指令碼了，不建議用convert.py

   的指令碼

   轉換演算法：

   座標格式為：label x y w h

   其中label為標籤，x ，y為box的中心座標/圖片的寬度，高度。同理w，h為box的寬度和高度/圖片的寬度，高度，資料不用截斷。label標籤這裡需要特別注意，前面教程3）裡這部分是有問題的。類標應該是從0開始，如果一類就是0，不用和資料夾名稱對應，需要的是labels的.png檔名稱和放圖片的資料夾以及放annotation的資料夾名稱對應。另外，教程中沒有提到annotation生成之後放在哪裡，事實上路徑是預設在train.txt的路徑其中的JPEGImages改成labels，路徑的其餘部分不變。

   若用ning的convert.py

   的程式碼中，需要修改類別以適應不同類別的label

   """ Configure Paths"""   

   mypath = "labels/stopsign_original/" # 改

   outpath = "labels/stopsign/" #改

   cls = "stopsign" # 改

   if cls not in classes:

       exit(0)

   cls_id = classes.index(cls) # 本來就是對的，NGY教程改得不對

   wd = getcwd()

   list_file = open('%s/%s_list.txt'%(wd, cls), 'w') # 儲存圖片絕對位置資訊

   注意：

   （1）原座標資訊檔案每行結束不能只是換行，還要空格再換行才能與下一行分割開

   （2）不過convert.py檔案本身資料部分是對的，但是讀寫檔案部分寫的難以看懂，我跑出來出來的結果也不對

   3）生成標籤檔案：無論是作者的程式碼還是ning改的make_labels.py都不能成功，出來sh: 1: convert: not found，解決方法：直接在終端輸入python make_labels.py，顯示>之後沒了反應，中斷它，因為這說明是這個命令有問題，輸入convert（命令出錯時可以直接試一試在終端輸入，可能是沒有安裝這個命令），會顯示包含在哪個包裡，下載它！再執行make_labels.py,顯示：convert.im6: unable to read font `futura-normal' @ warning/annotate.c/RenderType/853.是因為沒有這個字型，在/usr/share/fonts/truetype/裡的確找不到，所以隨便改成一個系統自帶的字型就好，注意用全路徑(如*.ttc,*.ttf)，比如：-font /usr/share/fonts/truetype/arphic/ukai.ttc，如果labels包含有中文，則需新增utf-8編碼

   in a word,在ubunbut下生成標籤名的圖片時，即文字轉圖片，報錯, convert : unable to read font

   指令碼：make_label.py

   成功範本：

   # -*- coding: utf-8 -*-    

   import os  

   l=["rabbit", "fish", "deer", "tiger", "cat", "兔子"]  

   for word in l:   

   os.system("convert -fill black -background white -bordercolor white -border 4  -font /usr/share/fonts/truetype/arphic/ukai.ttc -pointsize 18 label:\"%s\" \"%s.png\""%(word, word))

   3.修改程式碼：

   1）yolo_kernel.cu

   行62：draw_detections(det, l.side*l.side*l.n, demo_thresh, boxes, probs, voc_names, voc_labels, CLS_NUM);

   2）yolo.c

   行13：char *voc_names[] = {"text"};#改成自己的標籤名

   行17：char *train_images = "/media/zqh/_E/darknet2/scripts/train.txt";#改成自己的train.txt清單所在路徑

       char *backup_directory = "/media/zqh/_E/darknet2/backup";#改成自己的訓練出來的權重檔案儲存路徑

   行322：draw_detections(im, l.side*l.side*l.n, thresh, boxes, probs, voc_names, voc_labels, CLASSNUM);

   倒數第2行：else if(0==strcmp(argv[2], "demo")) demo(cfg, weights, thresh, cam_index, filename, voc_names, 1, frame_skip, prefix);#1改成自己的類別數

   3）yolo_train.cfg

   改class和output，當num=3,和論文中B=2不同，output要按num計算，output=（num*5+class)*49

   4.其他訓練步驟按照官網教程，訓練時.cfg檔案和初始權重要匹配：

   yolo.cfg -> extraction.conv.weights

   yolo-small.cfg -> strided.conv.weights

   yolo-tiny.cfg -> darknet.conv.weights

   yolo中用到的pre-trained weights的格式是.conv.weights的檔案，根據不同的model，要對已有的weights進行轉換。

   ./darknet partial cfg/extraction.cfg path/to/extraction.weights extraction.conv.weights  # ./darknet partial 轉化網路 現有weights的路徑 需要生成的weights的路徑

   yolo_v2 cfg檔案和對應的weights檔案字首一致，兩個版本的weight不通用

   ./darknet partial cfg/darknet.cfg path/to/darknet.weights path/to/darknet.conv.weights