概述
darknet官網：https://pjreddie.com/darknet/ https://github.com/AlexeyAB/darknet
Darknet是一個比較小眾的深度學習框架，沒有社區，主要靠作者團隊維護，所以推廣較弱，用的人不多。而且由於維護人員有限，功能也不如tensorflow等框架那么強大，但是該框架還是有一些獨有的優點：
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：該框架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，darknet會顯得異常方便。
darknet是一個純C的輕量級框架，專為Yolo設計，是yolo的最佳配合平台，可以體驗yolo功能。
darknet目錄
cfg文件夾內是一些模型的架構，每個cfg文件類似與caffe的prototxt文件，通過該文件定義的整個模型的架構。
data文件夾內放置了一些label文件，如coco9k的類別名等，和一些樣例圖（該文件夾主要為演示用，或者是直接訓練coco等對應數據集時有用，如果要用自己的數據自行訓練，該文件夾內的東西都不是我們需要的）
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，可以理解為該文件夾就是框架的源碼
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
include文件夾，顧名思義，存放頭文件的地方
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
darknet.py是使用python對模型的調用方法，要實現python的調用，還需要用到darknet的動態庫libdarknet.so
darknet編譯
根據配置情況修改Makefile的相關參數，然后運行make即可。
GPU=1: build with CUDA to accelerate by using GPU (CUDA should be in /usr/local/cuda) CUDNN: build with cuDNN v5-v7 to accelerate training by using GPU (cuDNN should be in /usr/local/cudnn) CUDNN_HALF=1: build for Tensor Cores (on Titan V / Tesla V100 / DGX-2 and later) speedup Detection 3x, Training 2x OPENCV=1: build with OpenCV 4.x/3.x/2.4.x - allows to detect on video files and video streams from network cameras or web-cams DEBUG=1: build debug version of Yolo OPENMP=1: build with OpenMP support to accelerate Yolo by using multi-core CPU
檢驗：./darknet detector test ./cfg/coco.data ./cfg/yolov3.cfg ./yolov3.weights data/dog.jpg
darknet命令
如果使用的是作者提供的cfg模型結構，如yolov3，那么可以到其官網去下載預訓練模型（如：darknet53.conv.74）來初始化模型參數，這樣可以加快收斂。
訓練： darknet detector train data/obj.data yolo-obj.cfg darknet53.conv.74
無參考模型： darknet detector train data/obj.data yolo-obj.cfg
檢測： darknet detector test data/obj.data yolo-obj.cfg yolo-obj_8000.weights
檢測模型精確效果：darknet detector map data/obj.data yolo-obj.cfg yolo-obj_8000.weights
視頻檢測： darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights my.mp4
默認第一個攝像頭視頻： darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights
darknet配置文件解析
cfg/yolov3.cfg [net] # Testing # batch=1 # subdivisions=1 # Training batch=64 subdivisions=16 width=608 height=608 channels=3 momentum=0.9 decay=0.0005 angle=0 saturation = 1.5 exposure = 1.5 hue=.1
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。
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。
[yolo]下方的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
darknet訓練參數解析
[to do]
Yolo_mark-標注工具
Windows & Linux GUI for marking bounded boxes of objects in images for training Yolo v3 and v2.
Yolo_mark是一個檢測任務數據集制作工具，制作完成后的數據格式不是VOC或者COCO的數據格式，從它的名字也可以看出，它是專門為了YOLO系列的網絡訓練准備數據的，它沒有使用任何一個已有的深度學習框架來實現他的代碼，而是自己寫了一個純C的輕量級框架—darknet，所以它的訓練數據准備也不是按照標准開源數據集那樣的格式。
參考官網：https://github.com/AlexeyAB/Yolo_mark
編譯
Yolo_mark依賴opencv，ubuntu16.04下需要更新opencv版本，默認版本編譯出錯。現測試了opencv-3.4.8可正常運行。
mkdir build cd build cmake .. make cd .. cp build/yolo_mark ..
目錄
├── CMakeLists.txt ├── LICENSE ├── linux_mark.sh ├── main.cpp ├── README.md ├── x64 │ └── Release │ ├── data │ │ ├── img │ │ │ ├── air1.jpg │ │ │ ├── air1.txt │ │ │ ├── air2.jpg │ │ │ ├── air2.txt │ │ │ ├── air3.jpg │ │ │ ├── air3.txt │ │ │ ├── air4.jpg │ │ │ ├── air4.txt │ │ │ ├── air5.jpg │ │ │ ├── air5.txt │ │ │ ├── air6.jpg │ │ │ ├── air6.txt │ │ │ ├── bird1.jpg │ │ │ ├── bird1.txt │ │ │ ├── bird2.jpg │ │ │ ├── bird2.txt │ │ │ ├── bird3.jpg │ │ │ ├── bird3.txt │ │ │ ├── bird4.jpg │ │ │ └── bird4.txt │ │ ├── obj.data │ │ ├── obj.names │ │ └── train.txt │ ├── train_obj.cmd │ ├── yolo_mark.cmd │ └── yolo-obj.cfg ├── yolo_mark ├── yolo_mark.sln └── yolo_mark.vcxproj
x86/Release/data： 存放需要標注的數據與標注后的結果。
x86/Release/data/img: 訓練的數據集，里面包含圖片和每一張圖片對應的標注數據。開始標注之前，img文件夾內只存放需要標注的圖像數據（要求.jpg文件），一張圖片標注完成后，會給該圖片生成一個名字相同的.txt文件，里面存放的就是bbox的信息。
x86/Release/data/img/*.txt： 每一行都是一個目標的信息，這意味着有幾行數據，圖像中就標注了幾個目標，它根據“id x y w h”的形式存放，其中“ x y w h”都是經過歸一化之后的。比如bird4.txt文件中的結果(bird的id是1，有一個目標因此只有一行)：
1 0.526953 0.502083 0.303906 0.226389
x86/Release/data/train.txt: 數據集的相對路徑集合，由img文件夾內存放的數據自動獲取。
x64/Release/data/img/air1.jpg x64/Release/data/img/air2.jpg x64/Release/data/img/air3.jpg x64/Release/data/img/air4.jpg x64/Release/data/img/air5.jpg x64/Release/data/img/air6.jpg x64/Release/data/img/bird1.jpg x64/Release/data/img/bird2.jpg x64/Release/data/img/bird3.jpg x64/Release/data/img/bird4.jpg
x86/Release/data/obj.names: 數據集所有分類類名，每個類別的名稱都在單獨的一行，行數與名稱一一對應。示例中有兩個類別：air，bird。
air
bird
x86/Release/data/obj.data: 數據集的配置信息：類別數量，訓練和測試數據的txt文件列表，各個類別的名字。
classes= 2 train = data/train.txt valid = data/train.txt names = data/obj.names backup = backup/
標注命令
./yolo_mark x64/Release/data/img x64/Release/data/train.txt x64/Release/data/obj.names
訓練命令
拷貝yolo-obj.cfg, data/train.txt, data/obj.names, data/obj.data, darknet19_448.conv.23 and data/img到可執行文件darknet目錄
darknet detector train data/obj.data yolo-obj.cfg darknet19_448.conv.23
參考：
1. YOLOv3樹葉識別實踐 https://wenku.baidu.com/view/e4e9a41ef4335a8102d276a20029bd64793e626f.html
2. 理解YOLOv2訓練過程中輸出參數含義 https://blog.csdn.net/dcrmg/article/details/78565440
https://timebutt.github.io/static/understanding-yolov2-training-output/
3. YOLOv3訓練自己的模型 https://blog.csdn.net/StrongerL/article/details/81023603
4. darknet的編譯和YOLO在不同編譯條件的運行速度對比 https://www.jianshu.com/p/c2a90b89fc21
5. Darknet概述 https://blog.csdn.net/u010122972/article/details/83541978
6. https://github.com/AlexeyAB/Yolo_mark
7. YOLO系列網絡訓練數據准備工具—Yolo_mark https://blog.csdn.net/chaipp0607/article/details/80009195