當前位置：首頁 > 人文社科 > 生活经验 >内容正文

生活经验

适用于Windows和Linux的Yolo-v3和Yolo-v2（下）

發布時間：2023/11/28 生活经验 30 豆豆

生活随笔收集整理的這篇文章主要介紹了适用于Windows和Linux的Yolo-v3和Yolo-v2（下）小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

適用于Windows和Linux的Yolo-v3和Yolo-v2（下）

如何訓練（檢測自定義對象）：

（培養老YOLO V2 yolov2-voc.cfg，yolov2-tiny-voc.cfg，yolo-voc.cfg，yolo-voc.2.0.cfg，… 通過鏈接點擊）

訓練Yolo v3：

創建yolo-obj.cfg內容與中相同的文件yolov3.cfg（或復制yolov3.cfg到yolo-obj.cfg)和：

將行批次更改為 batch=64
將線路細分更改為 subdivisions=16
將max_batches線更改為（classes*2000但不小于4000），max_batches=6000如果訓練3節課，則為fe
將線路步長更改為max_batches，fe的80％和90％ steps=4800,5400
設置網絡大小width=416 height=416或任何32的值的倍數：https : //github.com/AlexeyAB/darknet/blob/0039fd26786ab5f71d5af725fc18b3f521e7acfd/cfg/yolov3.cfg#L8-L9
將行更改classes=80為3 [yolo]層中每層的對象數：

https://github.com/AlexeyAB/darknet/blob/0039fd26786ab5f71d5af725fc18b3f521e7acfd/cfg/yolov3.cfg#L610
https://github.com/AlexeyAB/darknet/blob/0039fd26786ab5f71d5af725fc18b3f521e7acfd/cfg/yolov3.cfg#L696
https://github.com/AlexeyAB/darknet/blob/0039fd26786ab5f71d5af725fc18b3f521e7acfd/cfg/yolov3.cfg#L783

變化[ filters=255在3]到過濾器=（類+ 5）×3 [convolutional]的每個前[yolo]層

https://github.com/AlexeyAB/darknet/blob/0039fd26786ab5f71d5af725fc18b3f521e7acfd/cfg/yolov3.cfg#L603
https://github.com/AlexeyAB/darknet/blob/0039fd26786ab5f71d5af725fc18b3f521e7acfd/cfg/yolov3.cfg#L689
https://github.com/AlexeyAB/darknet/blob/0039fd26786ab5f71d5af725fc18b3f521e7acfd/cfg/yolov3.cfg#L776

當使用[Gaussian_yolo] 層，改變[ filters=57]過濾器=（類+ 9）X3在3 [convolutional]每個前[Gaussian_yolo]層

https://github.com/AlexeyAB/darknet/blob/6e5bdf1282ad6b06ed0e962c3f5be67cf63d96dc/cfg/Gaussian_yolov3_BDD.cfg#L604
https://github.com/AlexeyAB/darknet/blob/6e5bdf1282ad6b06ed0e962c3f5be67cf63d96dc/cfg/Gaussian_yolov3_BDD.cfg#L696
https://github.com/AlexeyAB/darknet/blob/6e5bdf1282ad6b06ed0e962c3f5be67cf63d96dc/cfg/Gaussian_yolov3_BDD.cfg#L789

因此，如果classes=1應該filters=18。如果classes=2再寫filters=21。

（不要寫在cfg文件中：filters =（classs + 5）x3）

（通常filters取決于classes，coords和的數量mask，即filters = (classes +
coords + 1)*，其中maskanchor的索引。如果mask不存在，則filters = (classes +coords + 1)*num）

因此，例如，對于2個對象，文件yolo-obj.cfg應該yolov3.cfg在3個 [yolo]層中的每一行中與以下行不同：

[convolutional]

filters=21

[region]

classes=2

obj.names在目錄中創建文件build\darknet\x64\data\，并帶有對象名稱-每個都在新行中
obj.data在目錄中創建文件build\darknet\x64\data\，其中包含（其中class =對象數）：

classes= 2

train = data/train.txt

valid = data/test.txt

names = data/obj.names

backup = backup/

將對象的圖像文件（.jpg）放在目錄中 build\darknet\x64\data\obj\
應該在數據集中的圖像上標記每個對象。使用此可視化GUI軟件標記對象的邊界框并為Yolo v2和v3生成注釋文件：https : //github.com/AlexeyAB/Yolo_mark

將.txt為.jpg同一目錄中具有相同名稱但具有.txt-extension的每個-image-file- 創建一個-file ，并將其放置到文件中：該圖像上的對象編號和對象坐標，用于新行中的每個對象：

<x_center>
<y_center>

哪里：

-從0到的整數對象編號(classes-1)
<x_center>
<y_center> -浮動值相對于圖片的寬度和高度，可以等于(0.0 to 1.0]
例如： = <absolute_x> / <image_width>或 =
<absolute_height> / <image_height>
注意：<x_center> <y_center>-矩形的中心（不是左上角）

例如，將為img1.jpg創建img1.txt包含：

1 0.716797 0.395833 0.216406 0.147222

0 0.687109 0.379167 0.255469 0.158333

1 0.420312 0.395833 0.140625 0.166667

train.txt在directory中創建文件build\darknet\x64\data\，其中包含圖像的文件名，每個文件名都換行，并具有相對于的路徑darknet.exe，例如包含：

data/obj/img1.jpg

data/obj/img2.jpg

data/obj/img3.jpg

下載卷積層的預訓練權重并放入目錄 build\darknet\x64

o for csresnext50-panet-spp.cfg（133 MB）：csresnext50-panet-spp.conv.112

o 對于yolov3.cfg, yolov3-spp.cfg（154 MB）：darknet53.conv.74

o for yolov3-tiny-prn.cfg
, yolov3-tiny.cfg（6 MB）：yolov3-tiny.conv.11

o 對于enet-coco.cfg (EfficientNetB0-Yolov3)（14 MB）：enetb0-coco.conv.132

使用命令行開始訓練： darknet.exe
detector train data/obj.data yolo-obj.cfg darknet53.conv.74

要在Linux上訓練，請使用以下命令：（./darknet detector train data/obj.data yolo-obj.cfg darknet53.conv.74僅使用./darknet代替darknet.exe）

o （文件每100次迭代yolo-obj_last.weights將保存到中build\darknet\x64\backup\）

o （文件每1000次迭代yolo-obj_xxxx.weights將保存到中build\darknet\x64\backup\）

o （darknet.exe detector train data/obj.data yolo-obj.cfg darknet53.conv.74
-dont_show如果在沒有監視器的計算機（如云EC2）上訓練，則可以禁用Loss-Window的使用）

o （要在沒有GUI的遠程服務器上進行訓練時查看mAP和損失圖，請使用命令，darknet.exe detector train data/obj.data yolo-obj.cfg darknet53.conv.74 -dont_show -mjpeg_port 8090 -map然后http://ip-address:8090在Chrome / Firefox瀏覽器中打開URL ）

8.1. 對于每4個紀元（設置valid=valid.txt或train.txt在obj.data文件中）使用mAP（平均平均精度）計算進行訓練并運行：darknet.exe detector train data/obj.data yolo-obj.cfg darknet53.conv.74-map

訓練完成后- yolo-obj_final.weights從路徑中獲取結果build\darknet\x64\backup\

每進行100次迭代后，可以停止，然后從這一點開始訓練。例如，經過2000次迭代后，可以停止訓練，之后再開始使用以下方法開始訓練：darknet.exe detector train data/obj.data yolo-obj.cfg backup\yolo-obj_2000.weights

（在原始存儲庫https://github.com/pjreddie/darknet中，權重文件每1萬次迭代僅保存一次if(iterations > 1000)）

同樣，可以比所有45000次迭代更早地獲得結果。

注意：如果在訓練過程中看到（損失）字段的nan值avg-則訓練有誤，但如果出現nan在其行中-則訓練進行得很好。

注意：如果在cfg文件中更改了width =或height =，則新的寬度和高度必須被32整除。

注意：訓練后，請使用以下命令進行檢測：darknet.exe
detector test data/obj.data yolo-obj.cfg yolo-obj_8000.weights

注意：如果Out of memory發生錯誤，.cfg則應在-file文件中增加subdivisions=1632或64：鏈接

如何訓練tiny-yolo（檢測自定義對象）：

執行與上述完整yolo模型相同的所有步驟。除了：

下載yolov3-tiny的默認權重文件：https 😕/pjreddie.com/media/files/yolov3-tiny.weights
yolov3-tiny.conv.15使用以下命令獲取預先訓練的權重：darknet.exe
partial cfg/yolov3-tiny.cfg yolov3-tiny.weights yolov3-tiny.conv.15 15
使自定義模型yolov3-tiny-obj.cfg基于cfg/yolov3-tiny_obj.cfg而不是yolov3.cfg
開始訓練： darknet.exe detector train data/obj.data yolov3-tiny-obj.cfg
yolov3-tiny.conv.15

要基于其模型（DenseNet201-Yolo或ResNet50-Yolo）訓練Yolo，可以下載并獲取此文件中所示的預訓練權重：https : //github.com/AlexeyAB/darknet/blob/master/build/
darknet / x64 / partial.cmd 如果創建的自定義模型不基于其模型，則可以在不預先訓練權重的情況下對其進行訓練，然后將使用隨機初始權重。

什么時候應該停止訓練：

通常，每個類（對象）需要進行2000次迭代，但總計不少于4000次迭代。但是對于何時停止訓練的更精確定義，請使用以下手冊：

在訓練期間，將看到各種錯誤指示，并且當不再減小0.XXXXXXX avg時應停止：

區域平均IOU：0.798363，類：0.893232，對象：0.700808，無對象：0.004567，平均調用率：1.000000，計數：8區域平均IOU：0.800677，類：0.892181，對象：0.701590，無對象：0.004574，平均調用率：1.000000 ，數：8

9002：0.211667，0.60730 平均，0.001000速率，3.868000秒，576128圖像加載：0.000000秒

9002-迭代編號（批處理數量）
0.60730平均 -平均損失（錯誤）- 越低越好

當發現平均損失0.xxxxxx平均不再在許多次迭代中減少時，應該停止訓練。最終平均損失可能從0.05（對于小模型和簡單數據集）到3.0（對于大模型和困難數據集）之間。

訓練停止后，應該從中獲取一些最新.weights文件，darknet\build\darknet\x64\backup并從中選擇最好的文件：

例如，在9000次迭代后停止了訓練，但最佳結果可以給出以前的權重之一（7000、8000、9000）。可能由于過度擬合而發生。過度擬合 -這種情況是可以從訓練數據集中檢測圖像上的對象，但無法檢測其圖像上的對象的情況。應該從Early Stopping
Point獲得權重：

要從提前停止點獲取重量：

2.1．首先，obj.data必須在文件中指定驗證數據集的路徑valid =
valid.txt（格式valid.txt為中的train.txt），如果沒有驗證圖像，則只需復制data\train.txt到即可data\valid.txt。

2.2如果在9000次迭代后停止訓練，要驗證以前的權重，請使用以下命令：

（如果使用另一個GitHub存儲庫，請使用darknet.exe detector recall…而不是darknet.exe detector map…）

darknet.exe detector map
data/obj.data yolo-obj.cfg backup\yolo-obj_7000.weights
darknet.exe detector map
data/obj.data yolo-obj.cfg backup\yolo-obj_8000.weights
darknet.exe detector map
data/obj.data yolo-obj.cfg backup\yolo-obj_9000.weights

每個權重（7000、8000、9000）的comapre最后輸出線：

選擇具有最高mAP（平均平均精度）或IoU（與聯合相交）的權重文件

例如，較大的mAP會賦予權重yolo-obj_8000.weights-然后使用此權重進行檢測。

或者只是用-map國旗訓練：

darknet.exe detector train data/obj.data
yolo-obj.cfg darknet53.conv.74 -map

因此，將在“損失圖”窗口中看到“ mAP圖”（紅線）。將使用valid=valid.txt文件中指定的obj.data文件（1 Epoch =
images_in_train_txt / batch迭代）為每個4個時期計算mAP

（將3類的最大x軸值更改max_batches=為-，將參數更改為2000*classesfe max_batches=6000）

自定義對象檢測的示例： darknet.exe detector test data/obj.data yolo-obj.cfg yolo-obj_8000.weights

IoU（聯合上方的相交）-對象聯合上方的平均insectect和檢測到的某個閾值= 0.24 mAP（平均平均精度）- average precisions每個類別的average precision平均值，其中是同一類別的每個可能閾值（每個檢測概率）的PR曲線上11點的平均值（以PascalVOC表示的Precision-Recall，其中Precision = TP /（TP + FP）和Recall = TP /（TP + FN）），第11頁：http：//homepages.inf.ed.ac.uk/ckiw/postscript/ijcv_voc09.pdf

mAP是PascalVOC競賽中默認的精度指標，與MS COCO競賽中的AP50指標相同。在Wiki方面，指標Precision和Recall的含義與PascalVOC競賽中的含義略有不同，但是IoU 始終具有相同的含義。

如何在PascalVOC 2007上計算mAP：

要在PascalVOC-2007-test上計算mAP（平均平均精度）：

下載PascalVOC數據集，安裝Python 3.x并按2007_test.txt此處所述獲取文件：https : //github.com/AlexeyAB/darknet#how-to-train-pascal-voc-data
然后將文件https://raw.githubusercontent.com/AlexeyAB/darknet/master/scripts/voc_label_difficult.py下載到dir，build\darknet\x64\data\然后運行voc_label_difficult.py以獲取文件difficult_2007_test.txt
#從此行中刪除符號以取消注釋：https : //github.com/AlexeyAB/darknet/blob/master/build/darknet/x64/data/voc.data#L4
然后，有兩種獲取mAP的方法：

i. 使用Darknet + Python：運行文件build/darknet/x64/calc_mAP_voc_py.cmd-將獲得yolo-voc.cfg模型的mAP，mAP = 75.9％

ii. 使用Darknet的此分支：運行文件build/darknet/x64/calc_mAP.cmd-將獲得yolo-voc.cfg模型的mAP，mAP = 75.8％

（本文指定YOLOv2 416×416：mAP的值為76.8％：https 😕/arxiv.org/pdf/1612.08242v1.pdf 。得出的值較低-可能是由于以下事實：該模型是在與進行檢測的代碼略有不同的源代碼上訓練的）

如果要獲取tiny-yolo-voc.cfg模型的mAP，則在.cmd文件中取消注釋tiny-yolo-voc.cfg的注釋行和yolo-voc.cfg的注釋行
如果Python 2.x的，而不是Python的3.x中，如果使用暗網+ Python的方式來獲得地圖，然后在CMD文件使用reval_voc.py和voc_eval.py替代reval_voc_py3.py，并voc_eval_py3.py從該目錄：https://github.com/
AlexeyAB / darknet / tree / master / scripts

自定義對象檢測：

自定義對象檢測的示例： darknet.exe detector test data/obj.data yolo-obj.cfg yolo-obj_8000.weights

如何改善物體檢測：

訓練前：

random=1在.cfg-file文件中設置標志-通過訓練Yolo不同的分辨率來提高精度：鏈接
提高網絡分辨率.cfg-file（ height=608，width=608或32任何價值倍數） -會增加精度
檢查要檢測的每個對象是否在數據集中被強制標記-數據集中的任何對象都不應沒有標簽。在大多數訓練問題中-數據集中有錯誤的標簽（通過使用某些轉換腳本標記了第三方工具，得到了標簽，…）。始終使用以下方法檢查數據集：https : //github.com/AlexeyAB/Yolo_mark
損失非常高，而mAP卻很低，訓練錯了嗎？ -show_imgs在training命令的末尾運行帶有flag的訓練，是否看到正確的有界對象框（在Windows或文件中aug_…jpg）？如果否-訓練數據集有誤。
對于要檢測的每個對象-訓練數據集中必須至少有一個相似的對象，并且形狀大致相同：形狀，對象的側面，相對大小，旋轉角度，傾斜度，照明度。理想的是，訓練數據集應包含不同對象的圖像：比例，旋轉，照明，不同側面，不同背景的圖像-每個班級或以上，最好擁有2000張不同的圖像，并且應訓練2000classes迭代次數或更多
希望訓練數據集包含帶有不想檢測的未標記對象的圖像-無邊界框的負樣本（空.txt文件）-使用與帶有對象的圖像一樣多的負樣本圖像
標記對象的最佳方法是：僅標記對象的可見部分，或標記對象的可見和重疊部分，或標記比整個對象多一點（有一點間隙）？根據需要進行標記-希望如何檢測。
要在每個圖像中使用大量對象進行訓練，請在cfg文件max=200的最后[yolo]一層或最后一層中添加參數或更高的值[region]（YoloV3可以檢測到的全局最大對象數0,0615234375(width*height)是寬度和高度是[net]cfg文件中部分的參數）
用于訓練小對象（將圖像調整為416x416后小于16x16）-設置layers = -1, 11為https://github.com/AlexeyAB/darknet/blob/6390a5a2ab61a0bdf6f1a9a6b4a739c16b36e0d7/cfg/yolov3.cfg#L720而stride=4不是https：
//github.com/AlexeyAB/darknet/blob/6390a5a2ab61a0bdf6f1a9a6b4a739c16b36e0d7/cfg/yolov3.cfg#L717
對于小型和大型物體的訓練，請使用修改后的模型：

完整模型：5個yolo層：https 😕/raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov3_5l.cfg
小模型：3個yolo層：https 😕/raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov3-tiny_3l.cfg
空間完整模型：3個yolo層：https 😕/raw.githubusercontent.com/AlexeyAB/darknet/master/cfg/yolov3-spp.cfg

如果訓練模型以將左對象和右對象區分為單獨的類（左/右手，左/右轉道路標志，…），則用于禁用翻轉數據增強-在flip=0此處添加：https : //github.com
/AlexeyAB/darknet/blob/3d2d0a7c98dbc8923d9ff705b81ff4f7940ea6ff/cfg/yolov3.cfg#L17
一般規則-訓練數據集應包括一組想要檢測的相對大小的對象：

train_network_width
* train_obj_width / train_image_width ~= detection_network_width *
detection_obj_width / detection_image_width
train_network_height
* train_obj_height / train_image_height ~= detection_network_height *
detection_obj_height / detection_image_height

也就是說，對于Test數據集中的每個對象，Training數據集中必須至少有1個對象具有相同的class_id和大約相同的相對大小：

object width in percent from Training dataset ?= object width in
percent from Test dataset

也就是說，如果訓練集中僅存在占圖像80-90％的對象，則受訓練的網絡將無法檢測到占圖像1-10％的對象。

要加快訓練速度（降低檢測精度），請執行“微調”而不是“轉移學習”，請stopbackward=1在此處設置參數：https : //github.com/AlexeyAB/darknet/blob/6d44529cf93211c319813c90e0c1adb34426abe5/cfg/yolov3.cfg#L548 然后執行此命令：./darknet partial
cfg/yolov3.cfg yolov3.weights yolov3.conv.81 81將創建一個文件yolov3.conv.81，然后使用權重文件yolov3.conv.81代替darknet53.conv.74
每個：model of object, side,
illimination, scale, each 30 grad轉角和傾斜角- 從神經網絡的內部角度來看，是不同的對象。因此，要檢測的對象越多，應使用越復雜的網絡模型。
為了使檢測到的邊界框更準確，可以ignore_thresh
= .9 iou_normalizer=0.5 iou_loss=giou在每個[yolo]圖層上添加3個參數并進行訓練，將增加mAP@0.9，但減少mAP@0.5。
僅當是神經檢測網絡專家時-才為cfg文件width和height從cfg文件重新計算數據集的錨點： darknet.exe detector
calc_anchors data/obj.data -num_of_clusters 9 -width 416 -height 416 然后在cfg文件anchors的3 [yolo]層中的每一層都設置相同的9 。但是，應該masks=為每個[yolo]層更改錨點的索引，以便第一個[yolo]層的錨點大于60x60，第二個層大于30x30，剩下第3個。同樣，應該filters=(classes +
5)*在每個[yolo]層之前更改。如果許多計算出的錨不適合在適當的圖層下-則只需嘗試使用所有默認錨即可。

訓練后-用于檢測：

通過在.cfg-file（height=608和width=608）或（height=832和width=832）或（32的任意倍數）中設置來提高網絡分辨率-這可以提高精度，并可以檢測小對象：link

無需再次訓練網絡，只需使用.weights已針對416x416分辨率進行訓練的-file
但是要獲得更高的精度，應該使用更高分辨率的608x608或832x832進行訓練，請注意：如果Out of memory發生錯誤，.cfg則應在-file文件中增加subdivisions=16，32或64：鏈接

如何標記對象的邊界框并創建注釋文件：

在這里，可以找到帶有GUI軟件的存儲庫，用于標記對象的有界框并為Yolo v2和v3生成注釋文件：https : //github.com/AlexeyAB/Yolo_mark

與示例的：train.txt，obj.names，obj.data，yolo-obj.cfg，air1-6 .txt，bird1-4 .txt為2類的對象（空氣，鳥）和train_obj.cmd與實施例如何培養這個圖像組具有YOLO v2和v3

標記圖像中對象的不同工具：

在C ++中：https：//github.com/AlexeyAB/Yolo_mark
在Python中：https：//github.com/tzutalin/labelImg
在Python中：https：//github.com/Cartucho/OpenLabeling
在C ++中：https：//www.ccoderun.ca/darkmark/
在JavaScript中：https：//github.com/opencv/cvat

使用Yolo9000

同時檢測和分類9000個對象： darknet.exe detector test cfg/combine9k.data cfg/yolo9000.cfg
yolo9000.weights data/dog.jpg

yolo9000.weights-（186 MB Yolo9000型號）需要4 GB GPU-RAM：http：//pjreddie.com/media/files/yolo9000.weights
yolo9000.cfg-在Yolo9000的CFG文件，也有路徑的9k.tree和coco9k.maphttps://github.com/AlexeyAB/darknet/blob/617cf313ccb1fe005db3f7d88dec04a04bd97cc2/cfg/yolo9000.cfg#L217-L218

9k.tree- WordTree的9418個范疇- <parent_it>如果parent_id == -1然后該標簽還沒有父：https://raw.githubusercontent.com/AlexeyAB/darknet/master/build/darknet/x64/data/9k.tree
coco9k.map-將MSCOCO的80個類別映射到WordTree 9k.tree：https : //raw.githubusercontent.com/AlexeyAB/darknet/master/build/darknet/x64/data/coco9k.map

combine9k.data-數據文件，也有路徑：9k.labels，9k.names，inet9k.map，（改變路徑到combine9k.train.list）：https://raw.githubusercontent.com/AlexeyAB/darknet/master/build/darknet/x64/data/combine9k.data

9k.labels-9418個對象的標簽：https://raw.githubusercontent.com/AlexeyAB/darknet/master/build/darknet/x64/data/9k.labels
9k.names-9418個對象的名稱：https://raw.githubusercontent.com/AlexeyAB/darknet/master/build/darknet/x64/data/9k.names
inet9k.map-將200個類別從ImageNet映射到WordTree 9k.tree：https : //raw.githubusercontent.com/AlexeyAB/darknet/master/build/darknet/x64/data/inet9k.map

如何將Yolo用作DLL和SO庫

在Linux上

使用build.sh或
darknet使用cmake或建立
設置LIBSO=1在Makefile做make

在Windows上

使用build.ps1或
darknet使用cmake或建立
編譯build\darknet\yolo_cpp_dll.sln解決方案或build\darknet\yolo_cpp_dll_no_gpu.sln解決方案

有2個API：
C API：https：//github.com/AlexeyAB/darknet/blob/master/include/darknet.h

使用C API的Python示例：

https://github.com/AlexeyAB/darknet/blob/master/darknet.py
https://github.com/AlexeyAB/darknet/blob/master/darknet_video.py

C ++ API：https：//github.com/AlexeyAB/darknet/blob/master/include/yolo_v2_class.hpp

使用C ++ API的C ++示例：https : //github.com/AlexeyAB/darknet/blob/master/src/yolo_console_dll.cpp

要將Yolo編譯為C ++ DLL文件yolo_cpp_dll.dll-打開解決方案build\darknet\yolo_cpp_dll.sln，設置x64和Release，然后執行以下操作：Build-> Build yolo_cpp_dll

o 應該已經安裝了CUDA 10.0

o 要使用cuDNN，請執行以下操作：（右鍵單擊項目）->屬性-> C / C +±>預處理程序->預處理程序定義，然后在行的開頭添加： CUDNN;

要將Yolo用作C ++控制臺應用程序中的DLL文件，請打開解決方案build\darknet\yolo_console_dll.sln，設置x64和Release，然后執行以下操作：構建->構建yolo_console_dll

o 可以build\darknet\x64\yolo_console_dll.exe 使用以下命令從Windows資源管理器運行控制臺應用程序：yolo_console_dll.exe
data/coco.names yolov3.cfg yolov3.weights test.mp4

o 啟動控制臺應用程序并輸入圖像文件名后，將看到每個對象的信息： <obj_id> <left_x> <top_y>

o 要使用簡單的OpenCV-GUI，應該//#define OPENCV在yolo_console_dll.cpp-file：鏈接中取消注釋行

o 可以在視頻文件上看到用于檢測的簡單示例的源代碼：鏈接

yolo_cpp_dll.dll-API：鏈接

struct bbox_t {
unsigned int x, y, w, h; //
(x,y) - top-left corner, (w, h) - width & height of bounded box

float prob; //
confidence - probability that the object was found correctly

unsigned int obj_id; //
class of object - from range [0, classes-1]

unsigned int track_id; //
tracking id for video (0 - untracked, 1 - inf - tracked object)

unsigned int frames_counter;// counter of frames on which the object was
detected

};

class Detector {

public:

Detector(std::string cfg_filename, std::string weight_filename, int
gpu_id = 0);

~Detector();

std::vector<bbox_t> detect(std::string image_filename, float
thresh = 0.2, bool use_mean = false);
std::vector<bbox_t> detect(image_t img, float thresh = 0.2, bool
use_mean = false);
static image_t load_image(std::string image_filename);

static void free_image(image_t m);

#ifdef OPENCV

std::vector<bbox_t> detect(cv::Mat mat, float thresh = 0.2, bool
use_mean = false);
std::shared_ptr<image_t>
mat_to_image_resize(cv::Mat mat) const;

#endif

};

總結

以上是生活随笔為你收集整理的适用于Windows和Linux的Yolo-v3和Yolo-v2（下）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。

上一篇：适用于Windows和Linux的Yol
下一篇： Python分析离散心率信号（上）