本人使用的是linux平台，按照YOLO網頁0https://pjreddie.com/darknet/yolo/的步驟操作進行下載darkenet程序包以及編譯，之后可嘗試用VOC2007的數據集測試一下。
下載好的darknet程序包如下圖所示：
注：上圖摘自一篇博客上的，https://blog.csdn.net/runner668/article/details/80579063
那么現在有了大佬給我們提供的強大工具，我們下一步該如何用起來呢？
第一部分：制作自己的數據集。
如果自己手頭上有數據集，人手又夠（自己標注也可以，就是枯燥點），那么就花一兩天時間進行自己的檢測對象標注，本人使用的標注工具是：labelimg數據集標注工具--此工具僅限於使用矩形框標注對象，如果需要其他形狀的可使用labelme標注工具--該工具可以使用圓、線段、點、矩形等進行標注，工具網上都有自己搜索一下吧~！
有了工具那就進行標注吧，看着電影的功夫就可以標注個兩三百張進行自己的小實驗了。標注完之后，一個文件夾一個放圖片，一個放標注好的.XML文件，后續還需要把.xml文件轉為.txt格式。
2、使用py小程序進行xml to txt的轉換，生成的txt格式的標注信息待用。
3、使用VOC_label.py文件進行txt標注信息的轉換。
VOC_label.py的作用：
它將為每個.jpg圖像文件創建.txt文件 - 在同一目錄中並使用相同的名稱，但使用.txt-extension，並將文件放入：對象編號和對象坐標，
對於每個對象在新行中：<object-class> <x> <y> <width> <height>
<object-class> - 從0到（classes-1）的整數對象編號
<x_center> <y_center> <width> <height> - 浮動值相對於圖像的寬度和高度，它可以等於（0.0到1.0）
例如：<x> = <absolute_x> / <image_width>或<height> = <absolute_height> / <image_height>
注意：<x_center> <y_center> - 是矩形的中心（不是左上角）
例如，對於img1.jpg，您將創建包含以下內容的img1.txt：
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
將VOC_label.py中的classes按照自己的對象類別進行修改，然后把三處路徑改好，需要修改的如下圖所示:
def convert_annotation(year, image_id):
in_file = open('VOCdevkit/VOC%s/Annotations/%s.xml'%( image_id))
out_file = open('VOCdevkit/VOC%s/labels/%s.txt'%(image_id), 'w')
修改好以后生成的新TXT文件和圖片放到一個文件夾里，這樣才能跑起來，原因未知。
第二部分：修改配置文件Cfg和.data文件，創建自己的類別名稱文件.names。
1、使用與yolov3.cfg相同的內容創建文件yolo-obj.cfg（或將yolov3.cfg復制到yolo-obj.cfg）。
change line batch to batch=64
change line subdivisions to subdivisions=8
使用 contrl+F 搜索YOLO，你會看到有三個YOLO標頭得部分配置，需要改得是：
在[yolo]圖層之前的3個[卷積]中將[filters = 255]更改為filters =（classes + 5）x3。
例如 classes=1 then should be filters=18. If classes=2 then write filters=21.
filters =（classes + 5）x3），一般來說，filter的值取決於類別，坐標和masks的數量。即filters=(classes + coords + 1)*<number of mask>,那么其中這個mask值是錨點的索引，如果mask值不存在，那么filters=(classes + coords + 1)*num.因此，例如，對於2個對象，您的文件yolo-obj.cfg應該與3個[yolo] -layers中的每一個中的yolov3.cfg不同：
2、在自己的data目錄創建一個obj.names的文本文件：把自己類別的名字寫進去。
3、接着創建一個obj.data：
classes= 2
train = data/train.txt # 訓練圖片的文件名路徑集合.txt的路徑
valid = data/test.txt #test.txt 文件的路徑
names = data/obj.names #.names 文件的路徑
backup = backup/ #back up 的路徑
第三部分：開始訓練並獲取權重
1、下載卷積層的預先訓練的權重（154 MB）：https：//pjreddie.com/media/files/darknet53.conv.74並放到目錄darknet \
2、使用命令行開始培訓： ./darknet detector train data/obj.data yolo-obj.cfg darknet53.conv.74
3、訓練結束后 - 從路徑構建\ darknet \ x64 \ backup \獲取結果yolo-obj_final.weights
在每100次迭代后，您可以停止並稍后從此開始訓練。 例如，在2000次迭代后，您可以停止訓練，稍后只需將yolo-obj_2000.weights從build \ darknet \ x64 \ backup \復制到build \ darknet \ x64 \並使用：darknet.exe探測器訓練數據/ obj開始訓練。 數據yolo-obj.cfg yolo-obj_2000.weights
注：detector.c文件中可以修改權重文件保存的間隔。
注：如果在訓練期間你看到avg（損失）字段的nan值 - 那么訓練就出錯了，如果僅僅出現少部分nan，訓練可以照常進行。
注：如果在cfg文件中更改了width =或height =，則新的寬度和高度必須可被32整除。
注：訓練后使用此類命令進行檢測：darknet.exe檢測器測試數據/ obj.data yolo-obj.cfg yolo-obj_8000.weights
注：如果出現錯誤內存不足，那么在.cfg文件中你應該嘗試改變batch和subdivisions的值。
內容為自己編寫和參考的一些博客：
1、https://blog.csdn.net/qq_38214193/article/details/81132053
2、https://blog.csdn.net/runner668/article/details/80579063