YOLO 演算法框架的使用一（初級）

yolo官方框架使用c寫的，效能槓槓的，yolo演算法，我就不做過多介紹了。先簡單介紹一下這個框架如何使用。這裡預設是yolo2，yolo1接近過時。

環境推薦ubuntu 或者centos

yolo是乙個近實時的框架，在1核cpu下，對一張的識別大概在6s-12s之間，其實還是在沒有快取的環境下執行的，如果是在攝像頭實時採集識別估計也能達到10s左右的處理速度。如果用gpu來處理，當然時間短很多了。在看官網的資訊時，有些名詞看不太懂，但號稱在titanx 上的處理速度是每秒40-60張，識別精度為78.6% ；在coco 開發測試集上的voc 2007 上的識別精度為48.1%。這樣看來，速度確實很快。

1，yolo原理

關於yolo**相對複雜，要有足夠的耐心去看。這裡位址先貼出來:

2,yolo安裝

1，安裝預備庫

1）安裝git 工具

yum install git

2）安裝 bunzip2

yum install -y bzip2

3 ) 安裝gcc

接下來，我們看一下目錄：

3）執行**

檢測到狗的概率為82%

檢測到車的概率為28*，其實沒有車

檢測到kache的概率為64%

檢測到自行車的概率為85%

當然概率高的是正確，概率低的確實沒有

其實他會生成一張，並標識所識別到的物體

predictions.png就是生成**圖

我們看看：

至此，證明我們已經安裝yolo成功了！

3，檢測

1）單檢測

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

一般服務執行比較慢6s-12s，開啟gpu會快速很多，會生成predictions.png，圖中會標識出識別的物體。

dog.jpg 就是要檢測的，可以換成其餘的試試。

2）多檢測

./darknet detect cfg/yolo.cfg yolo.weights

layer filters size input output

0 conv 32

3 x 3 / 1

416 x 416 x 3 -> 416 x 416 x 32

1 max 2 x 2 / 2

416 x 416 x 32 -> 208 x 208 x 32

.......

29 conv 425

1 x 1 / 1

13 x 13 x1024 -> 13 x 13 x 425

30detection

loading weights from yolo.weights ...done!enter image path:

多檢測跟單檢測是差不多的，只是會不斷的提示你輸入路徑進行檢測

你可以data/hourses.jpg，

終止輸入：ctrl + c就可以退出

3）設定檢測的視窗的閾值

這個一般沒有必要設定，預設閾值是在.25或者以上，當可以通過

-thresh 來設定，如果設定為0，則：

./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg -thresh 0

結果為：

這是完全沒有必要的。

4，tiny yolo

你可以試著去用tiny的權重voc集去測試一下：

雖然精度差了，但是處理速度高度200張每秒

5，通過攝像頭實時監測

通過攝像頭實時監測識別，這樣可以實時檢視測試的結果是怎麼樣的，但是需要相應的裝置來支援，硬體必須有攝像頭，同時還要編譯cuda和opencv,可以執行以下的命令：

./darknet detector demo cfg/coco.data cfg/yolo.cfg yolo.weights

這樣就會在展示每一幀上標識出識別的物體。

./darknet detector demo cfg/coco.data cfg/yolo.cfg yolo.weights file>

YOLO 演算法框架的使用一（初級）

yolo演算法框架使用二

初級演算法 7 加一

初級演算法探索陣列篇（一）

YOLO 演算法框架的使用一（初級）

yolo演算法框架使用二

初級演算法 7 加一

初級演算法探索 陣列篇（一）

相關推薦

初級演算法探索陣列篇（一）