【目标检测实战】Darknet入门—yolov3模型训练(Win10下的安装、编译、实现)

效果图

简介

Yolo，是实时物体检测的算法系统，基于Darknet—一个用C和CUDA编写的开源神经网络框架。它快速，易于安装，并支持CPU和GPU计算，也是yolo的底层。本文主要介绍在win10系统上配置darknet环境，编译，使用yolo实现开头展示的目标检测效果。主要包括以下几个步骤：

编译流程 -> 环境安装 -> VS2017配置和编译 -> 运行展示

YOLO，美语新词，是You Only Live Once的首字母缩略词，意为你只能活一次，应该活在当下，大胆去做。

本文的YOLO，意为：You Only Look Once，再点进官网，一股暗黑色系地风格让人觉得很magic，编程真有意思~

yolo官网：https://pjreddie.com/darknet/yolo/

darknet官网：https://pjreddie.com/darknet/

github：Linux：https://github.com/pjreddie/darknet windows：https://github.com/AlexeyAB/darknet

编译流程

要使用yolo，必须先安装darknet、darknet可以直接在githb上下载压缩包：https://github.com/AlexeyAB/darknet

本文主要介绍darknet在win10上的编译流程。github上介绍了Linux和Windows下darknet的编译，我这里直接用谷歌浏览器翻译了：

1.如何在Linux上编译

只是make在darknet目录中。在make之前，您可以在Makefile：link中设置这些选项

GPU=1用CUDA构建以使用GPU加速（CUDA应该在/usr/local/cuda）
CUDNN=1使用cuDNN v5-v7构建以使用GPU加速训练（cuDNN应该在/usr/local/cudnn）
CUDNN_HALF=1 构建Tensor核心（在Titan V / Tesla V100 / DGX-2及更高版本上）加速检测3x，训练2x
OPENCV=1 使用OpenCV 3.x / 2.4.x构建 - 允许检测来自网络摄像机或网络摄像头的视频文件和视频流
DEBUG=1 可以调试Yolo的版本
OPENMP=1 使用OpenMP支持构建，通过使用多核CPU来加速Yolo
LIBSO=1构建使用此库的库darknet.so和二进制可运行文件uselib。或者您可以尝试运行LD_LIBRARY_PATH=./:$LD_LIBRARY_PATH ./uselib test.mp4如何从您自己的代码中使用此SO库 - 您可以查看C ++示例：https：//github.com/AlexeyAB/darknet/blob/master/src/yolo_console_dll.cpp 或者使用这样的方式：LD_LIBRARY_PATH=./:$LD_LIBRARY_PATH ./uselib data/coco.names cfg/yolov3.cfg yolov3.weights test.mp4

要在Linux上运行Darknet，请使用本文中的示例，./darknet而不是darknet.exe使用，即使用此命令：./darknet detector test ./cfg/coco.data ./cfg/yolov3.cfg ./yolov3.weights

2.如何在Windows上编译（使用`vcpkg`）

将Visual Studio安装或更新到至少2017版，确保将其完全修补（如果不确定自动更新到最新版本，请再次运行安装程序）。如果您需要从头开始安装，请从此处下载VS：Visual Studio 2017社区
安装CUDA和cuDNN
安装git和cmake。确保它们至少在当前帐户的路径上
例如，安装vcpkg并尝试安装测试库以确保一切正常vcpkg install opengl
定义环境变量，VCPKG_ROOT指向安装路径vcpkg
使用名称VCPKG_DEFAULT_TRIPLET和值定义另一个环境变量x64-windows
打开Powershell（作为标准用户）并键入（最后一个命令需要确认并用于清理不必要的文件）
[仅限CUDA]使用首选计算功能自定义CMakeLists.txt
使用Powershell脚本构建build.ps1或使用Visual Studio 2017的“打开文件夹”功能。在第一个选项中，如果要使用Visual Studio，您将找到包含所有相应配置的构建后由CMake为您创建的自定义解决方案系统的标志。

环境安装

1.安装Visual Studio2017

官网下载安装社区版即可：https://visualstudio.microsoft.com/zh-hans/downloads/

VS2017-0.png

安装时依照自己的开发需要，勾选相应的环境：

VS2017-2.png

一定要选下面这个V140工具集，不然用141的会报错.....

VS2017-1.png

安装时没有选完整也没关系，可以在Visual Studio Installer修改

vs.png

2.安装CUDA和CUDNN

官网下载即可，我的安装包如下：
cuda_9.0.176_win10.exe
cudnn-9.0-windows10-x64-v7.4.2.24

Nvidia和CUDA和CUDNN的关系，参考：https://blog.csdn.net/qq_35941018/article/details/96481116

一关系阐述：

（1）NVIDIA的显卡驱动程序和CUDA完全是两个不同的概念哦！CUDA是NVIDIA推出的用于自家GPU的并行计算框架，也就是说CUDA只能在NVIDIA的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用。
CUDA的本质是一个工具包（ToolKit）；但是二者虽然不一样的。

显卡驱动的安装：
当我们使用一台电脑的时候默认的已经安装了NVIDIA的显卡驱动，因为没有显卡驱动根本用不了显卡嘛，但是这个时候我们是没有CUDA可以用的，我们可以更新我们的驱动，更新链接为：
https://www.nvidia.com/Download/index.aspx?lang=en-us
在这个里面可以根据自己的显卡类型选择最新的驱动程序。显卡驱动程序当前大小大概500多M。

CUDA ToolKit的安装：
CUDA的下载地址为：https://developer.nvidia.com/cuda-downloads
我们可以选择两种安装方式，一种是在线安装（我还没用过），一中离线安装（我采用的）即本地安装，
当我们选择离线安装，当我们选定相对应的版本之后，下载的时候发现这个地方的文件大小大概在2G左右，Linux系统下面我们选择runfile(local) 完整安装包从本地安装，或者是选择windows的本地安装。CUDA Toolkit本地安装包时内含特定版本Nvidia显卡驱动的，所以只选择下载CUDA Toolkit就足够了，如果想安装其他版本的显卡驱动就下载相应版本即可。

所以，NVIDIA显卡驱动和CUDA工具包本身是不具有捆绑关系的，也不是一一对应的关系，只不过是离线安装的CUDA工具包会默认携带与之匹配的最新的驱动程序。

注意事项：NVIDIA的显卡驱动器与CUDA并不是一一对应的哦，CUDA本质上只是一个工具包而已，所以我可以在同一个设备上安装很多个不同版本的CUDA工具包，比如我的电脑上同事安装了 CUDA 9.0、CUDA 9.2、CUDA 10.0三个版本。一般情况下，我只需要安装最新版本的显卡驱动，然后根据自己的选择选择不同CUDA工具包就可以了，但是由于使用离线的CUDA总是会捆绑CUDA和驱动程序，所以在使用多个CUDA的时候就不要选择离线安装的CUDA了，否则每次都会安装不同的显卡驱动，这不太好，我们直接安装一个最新版的显卡驱动，然后在线安装不同版本的CUDA即可。

总结：CUDA和显卡驱动是没有一一对应的。

（2）cuDNN是一个SDK，是一个专门用于神经网络的加速包，注意，它跟我们的CUDA没有一一对应的关系，即每一个版本的CUDA可能有好几个版本的cuDNN与之对应，但一般有一个最新版本的cuDNN版本与CUDA对应更好。

总结：cuDNN与CUDA没有一一对应的关系

（3）CUDA 工具包附带的 CUPTI。

CUPTI，即CUDA Profiling Tools Interface (CUPTI)。在CUDA分析工具接口（CUPTI）能够分析和跟踪靶向CUDA应用程序的工具的创建。CUPTI提供以下API：
Activity API，Callback API，事件API，Metric API，和Profiler API。
使用这些API，您可以开发分析工具，深入了解CUDA应用程序的CPU和GPU行为。CUPTI作为CUDA支持的所有平台上的动态库提供。请参阅CUPTI文档。

nvidia与cuda需要满足关系：
https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html
cuda与cudnn需要满足关系：
https://developer.nvidia.com/rdp/cudnn-archive
cuda历史版本下载连接：
https://developer.nvidia.com/cuda-toolkit-archive
Tensorflow不同版本要求与CUDA及CUDNN版本对应关系:
https://blog.csdn.net/u013066730/article/details/88845083

3.安装git和cmake

git直接在官网下载即可：https://git-scm.com/download/win
cmake也是，直接下载：https://cmake.org/download/
刚开始，我git版本过低，后来在cmd中用update升级了一下~现在的版本如下：

cmake.png

下载完成，记得配置环境变量：

环境变量.png

4.安装vcpkg

详见：https://github.com/Microsoft/vcpkg
安装完成后，用vcpkg安装pthreads和opencv。
cd到vcpkg的主目录，运行命令：.\vcpkg install pthreads opencv
此处我发现，pthreads可以安装成功，opencv总是安装失败.....

--1.png

看报错信息，下载opencv：3.4.3.tar.gz时报错，于是手动下载tar包(https://github.com/opencv/opencv/archive/3.4.3.tar.gz)，放入vcpkg的downloads目录下，再次尝试安装：

2.png

至此，准备工作基本做完，我们可以开始编译darknet了

5.安装opencv

单纯安装opencv对版本没有限制，但是为了和darknet匹配，必须安装特定的版本，darnnet官网要求的版本是opencv 3.x，明确要求小于4.0版。

我一次下了多个版本的opencv，发现3.0.0，3.4.0的可用，4.0.1的不可用。实践证明，确实如此，4.0.1的在编译daeknet时VS会报错，说有些接口方法不存在....3.x的版本中有些能用，有些不能用。

222.png

官网下载： https://opencv.org/releases.html

111.png

下载后解压至任意目录，方便自己使用时能找到即可

6.下载darnnet

darknet直接在https://github.com/AlexeyAB/darknet 下载zip包即可，同样可以解压至任意目录

📎darknet-master.zip

VS2017配置和编译

  首先找到之前下载的daeknet-master目录，进入->build->darknet文件夹下，可以看见有三个.sln文件，这三个文件是三个VS项目入口，其中

darknet.sln主要用来编译darknet，生成darknet.exe可执行文件；
yolo_cpp_dll.sln主要用来编译可供外部使用的GPU版yolo的dll和lib文件；
yolo_cpp_dll_no_gpu.sln主要用来编译可供外部使用的非GPU版(即CPU版)dll和lib。

dll动态链接库，lib静态链接库

前面提到过，yolo支持CPU和GPU计算，CPU和GPU运行yolo所依赖的库文件是不同的

VS222.png

双击darknet.sln即可在VS2017中打开这个项目。

VS2017属性配置

找到项目目录，右键点属性：

aaa.png

在属性页面，我们需要经行一系列配置

目标平台版本

目标平台版本即要生成的exe目标运行环境，默认是8.1，可修改为10，不配置也暂时无影响

平台工具集

即VS2017开发平台的工具集，经过采坑发现v141不行、v140可用

常规.png

VC++目录

主要配2处：包含目录和引用目录，根据自己opencv安装目录配置相应路径.下面以我的路径为例：

包含目录：
D:\software\opencv\opencv3.4.0\opencv\build\include
库目录：
D:\software\opencv\opencv3.4.0\opencv\build\x64\vc15\lib
D:\software\opencv\opencv3.4.0\opencv\build\x64\vc14\lib

VC++++++.png

编译darknet.exe

现在，我们可以尝试编译了，点击生成

shengcheng.png

报异常

bug-1.png

异常信息

1>------ 已启动生成: 项目: darknet, 配置: Release x64 ------

1>D:\software\darknet\darknet190226\new\darknet-master\build\darknet\darknet.vcxproj(54,5): error MSB4019: 未找到导入的项目“C:\Program Files (x86)\Microsoft Visual Studio\2017\Community\Common7\IDE\VC\VCTargets\BuildCustomizations\CUDA 10.0.props”。请确认 <Import> 声明中的路径正确，且磁盘上存在该文件。

1>已完成生成项目“darknet.vcxproj”的操作 - 失败。
========== 生成: 成功 0 个，失败 1 个，最新 0 个，跳过 0 个 ==========

解决异常

我们顺着异常提示的文件夹路径点进去发现，确实没有CUDA 10.0.props这个文件，但是有CUDA 9.0.props，原来在当前版本的darknet中，默认使用的CUDA 10.0,我们需要在配置darknet.vcxproj中修改(和darknet.sln在同级目录)

用notepad++修改，将10.0改为9.0即可，总共改头尾两处。

asdasd.png

再次编译

dddddddd.png

编译成功后，会在darknet-master\build\darknet\x64下生成darknet.exe文件，这个就是可执行的程序。

编译GPU版库

编译GPU版库文件，主要即产生可以支持GPU运行的yolo的dll和lib文件，用于方便在别的C++项目中直接调用，编译前的VS2017配置和上面编译darknet.exe基本类似，此处还需配置一处：

配置属性-CUDA-Device.jpg

CUDA C/C++ ->Deviece -> Code Generation处。原compute_75,sm_75改为compute_52,sm_52
然后就是正常的生成，生成成功后在darknet-master\build\darknet\x64目录下会新生成：yolo_cpp_dll.dll和yolo_cpp_dll.lib

wqwwqwq.png

编译CPU版库

CPU版本库的编译和GPU类似，就不赘述了

运行展示

1.下载yolov3.weights并放到darknet.exe同级目录下，下载链接：

http://link.zhihu.com/?target=https%3A//pjreddie.com/media/files/yolov3.weights

2.运行

cd到darknet.exe所在目录，运行命令即可。

命令1：

darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

效果1：

image

命令2：

darknet detect cfg/yolov3.cfg yolov3.weights data/bird.jpg

效果2：