目錄
一、Darknet優勢
二、Darknet的結構
三、Darknet安裝
四、Darknet的訓練
五、Darknet的檢測
正文
一、Darknet優勢
darknet是一個由純C編寫的深度學習框架，它有着其它深度學習框架無法相比的優勢：
1.易於安裝：在makefile里面選擇自己需要的附加項（cuda，cudnn，opencv等）直接make即可，幾分鍾完成安裝；
2.沒有任何依賴項：整個框架都用C語言進行編寫，可以不依賴任何庫，連opencv作者都編寫了可以對其進行替代的函數；
3.結構明晰，源代碼查看、修改方便：其框架的基礎文件都在src文件夾，而定義的一些檢測、分類函數則在example文件夾，可根據需要直接對源代碼進行查看和修改；
4.友好python接口：雖然darknet使用c語言進行編寫，但是也提供了python的接口，通過python函數，能夠使用python直接對訓練好的.weight格式的模型進行調用；
5.易於移植：部署到機器本地十分簡單，且可以根據機器情況，使用cpu和gpu，特別是檢測識別任務的本地端部署。
二、Darknet結構
darknet整理結構圖：
|--\cfg |------coco.data |------darknet.cfg |------... |------yolov3.cfg |--\data |------coco.names |------... |--\examples |------classifier.c |------detector.c |------... |--\include |------darknet.h |--\python |------darknet.py |------... |--\scripts |------get_coco_dataset.sh |------... |--\src |------convolutional_layer.c |------convolutional_layer.h |------convolutional_kernels.cu |------... |--darknet53.conv.74 |--LICENSE |--Makefile |--ReadMe.md
各文件夾功能解釋：
1.cfg文件夾內是一些模型的架構，通過該文件定義整個模型的架構
2.data文件夾內放置了一些label文件,和一些樣例圖
3.src文件夾內全是最底層的框架定義文件，所有層的定義等最基本的函數全部在該文件夾內
4.examples文件夾是更為高層的一些函數，如檢測函數，識別函數等，這些函數直接調用了底層的函數，我們經常使用的就是example中的函數；
5.include文件夾，存放頭文件的地方；
6.python文件夾里是使用python對模型的調用方法，基本都在darknet.py中;
7.scripts文件夾中是一些腳本，如下載coco數據集，將voc格式的數據集轉換為訓練所需格式的腳本等
8.除了license文件，剩下的就是Makefile文件
三、Darknet安裝
1、打開Makefile文件，將需要的選項設置為1，使用GPU和CUDNN：
2、打開終端，進入到darknet文件夾根目錄，輸入make，開始編譯
3、編譯完成后，在根目錄下，會多出一些文件夾和文件：obj文件夾中存放了編譯過程中的.o文件，另外，還生成了三個文件：可執行文件darknet.exe，靜態鏈接庫libdarknet.a和動態鏈接庫libdarknet.so。本地進行模型調用可直接使用darknet.exe，而如果要移植到其它平台，就需要用到libdarknet.so這個動態鏈接庫。不過，該動態鏈接庫只包含了src文件夾中定義的框架基礎函數，並沒有包含examples中的上層函數，所以在調用過程中需要自己去定義檢測函數。
四、Darknet的訓練
1、數據准備
將數據的groundtruth轉化為darknet需要的格式，如果你的gt為voc格式的xml，可以通過如下腳本進行轉換
import xml.etree.ElementTree as ET import pickle import os from os import listdir, getcwd from os.path import join classes = ["car"]#類別改為自己需要檢測的所有類別 def convert(size, box): dw = 1./size[0] dh = 1./size[1] x = (box[0] + box[1])/2.0 y = (box[2] + box[3])/2.0 w = box[1] - box[0] h = box[3] - box[2] x = x*dw w = w*dw y = y*dh h = h*dh return (x,y,w,h) def convert_annotation(image_id): in_file = open(xml_path)#與圖片對應的xml文件所在的地址 out_file = open(txt_save_path,'w') #與此xml對應的轉換后的txt，這個txt的保存完整路徑 tree=ET.parse(in_file) root = tree.getroot() size = root.find('size') #訪問size標簽的數據 w = int(size.find('width').text)#讀取size標簽中寬度的數據 h = int(size.find('height').text)#讀取size標簽中高度的數據 for obj in root.iter('object'): cls = obj.find('name').text if cls not in classes :#or int(difficult) == 1: continue cls_id = classes.index(cls) xmlbox = obj.find('bndbox') b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text), float(xmlbox.find('ymax').text)) bb = convert((w,h), b) out_file.write(str(cls_id) + " " + " ".join([str(a) for a in bb]) + '\n')
需要自行設置xml_path和txt_save_path
從上面的代碼可以看到，對於object的位置x_min,x_max,y_min,y_max，先求得其中心點坐標center_x,center_y以及位置框的長寬width_rect,height_rect，再將這四個值分別除以長寬以將數據歸一化。
2、*.data文件准備
訓練的時候必須的項目有“class”，“train”，“backup”。“names”最好也設置上，方便以后調用。
“class”表示你要檢測的類別個數，如檢測類別為4則class=4
“backup”表示訓練過程中的緩存和保存的模型。訓練過程中，會在該路徑下生成一個后綴為.backup的文件，該文件每100個step將模型更新一遍，以防止訓練忽然終端而沒有保存模型。並且，訓練保存的模型也會存在該路徑下。默認情況下，每10000step還是多少會保存一個模型，命名為yolov3_迭代次數.weights，最終訓練完成還會保存一個yolov3_final.weights。這些模型都會保存在backup路徑下
“names”為保存檢測object名稱的路徑，names=plate.names
“train”為你訓練集的list路徑，如train=data/trainlist.txt，trainlist.txt中保存了所有訓練集圖像的路徑：
/home/jim/yolov3/data/car/image/1101.jpg
/home/jim/yolov3/data/car/image/1104.jpg
/home/jim/yolov3/data/car/image/1134.jpg
可通過如下命令生成文件：
find image_path -name \*.jpg > trainlist.txt ：：image_path為你數據集的路徑
3、*.cfg文件准備
如果要調用yolo v3，可以直接使用cfg文件夾下的yolov3.cfg，但是需要做如下幾個修改：
首先，將最上方的
# Testing batch=1 subdivisions=1 # Training # batch=64 # subdivisions=16 修改為 # Testing #batch=1 #subdivisions=1 # Training batch=64 subdivisions=16
其中batch表示batchsize，而subdivisions是為了解決想要大batchsize而顯存又不夠的情況，每次代碼只讀取batchsize/subdivisions 個圖像，如圖中設置為64/16=4，但是會將16次的結果也就是64張圖的結果，作為一個batch來統一處理;
然后，根據自己檢測的類別，將每個[yolo]（共有三個[yolo]） 下方的classes修改為自己需要檢測的類別，如果只檢測一類則classes=1
然后將每個[yolo] 上方的第一個filters的值進行修改，計算方式為（5+classes）*3,如果classes為1，則為18，修改前后的對比：
[convolutional] size=1 stride=1 pad=1 filters=255 activation=linear [yolo] mask = 0,1,2 anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326 classes=80 num=9 jitter=.3 ignore_thresh = .5 truth_thresh = 1 random=1 [convolutional] size=1 stride=1 pad=1 filters=18 activation=linear [yolo] mask = 0,1,2 anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326 classes=1 num=9 jitter=.3 ignore_thresh = .5 truth_thresh = 1 random=1
其中：random表示論文中提及的resize network來增強網絡的適應性，如果顯存足夠，最好設置為1，如果顯存不夠，也可以將其設置為0，即不進行network resizing
4、weights文件准備
如果你使用的是作者提供的cfg模型結構，如yolov3，那么可以到官網去下載預訓練模型來初始化模型參數，這樣可以加快收斂。
當然，你也可以不使用預訓練模型進行訓練
5、開始訓練
如果使用預訓練模型則使用如下命令
./darknet detector train data/detect.data data/yolov3.cfg data/yolov3.weight
否則，使用如下命令：
./darknet detector train data/detect.data data/yolov3.cfg
注：分類模型使用如下命令：
./darknet classifier train cfg/cifar.data cfg/cifar_small.cfg （xxx.weights）
五、Darknet的檢測
檢測使用如下命令：
./darknet detector test data/detect.data data/yolov3.cfg data/yolov3.weight
其中./darknet為前面編譯生成的darknet.exe文件，darknet.exe首先調用example文件夾下的darknet.c，該文件中的main函數需要預定義參數，detector即為預定義參數，如下代碼：
else if (0 == strcmp(argv[1], "detector")){ run_detector(argc, argv);}
由‘detector’轉而調用run_detector，run_detector存在於example文件夾下的detector.c中，再根據預定義參數，確定是調用檢測函數，訓練函數還是驗證函數：
if(0==strcmp(argv[2], "test")) test_detector(datacfg, cfg, weights, filename, thresh, hier_thresh, outfile, fullscreen);
else if(0==strcmp(argv[2], "train")) train_detector(datacfg, cfg, weights, gpus, ngpus, clear);
else if(0==strcmp(argv[2], "valid")) validate_detector(datacfg, cfg, weights, outfile);
else if(0==strcmp(argv[2], "valid2")) validate_detector_flip(datacfg, cfg, weights, outfile);
else if(0==strcmp(argv[2], "recall")) validate_detector_recall(cfg, weights);
else if(0==strcmp(argv[2], "demo"))
其中test表示檢測，train表示訓練，valid表示驗證，recall表示測試其召回率，demo為調用攝像頭的實時檢測，命令最后的三個參數表示運行需要的文件，.data文件記錄了模型檢測的類別，類名文件等，如下：
classes= 1
train = /home/jim/yolov3/data/car/train.list
names = data/plate/car.names
backup = /home/jim/yolov3/data/car/models
class表示檢測類別，train為訓練中需要用到的訓練數據的列表，valid為驗證集列表，names為檢測類別的名稱，backup為訓練中用到的存放訓練模型的路徑
.cfg文件定義了模型結構，而.weight文件為調用的模型權重文件。