一、前言
YOLO是一名叫做Joseph Chet Redmon的大神與他的幾個小伙伴做的一個開源實時物體檢測系統(tǒng)。Joseph的幾個小伙伴來自于華盛頓大學以及伯克利大學等知名院校。
YOLO是基于他們開發(fā)的Darknet（基于c語言的神經(jīng)網(wǎng)絡開源框架）上的一個應用系統(tǒng)，不同于前置檢測系統(tǒng)將一副圖像的不同位置以及維度分別進行分類預測，YOLO將整幅圖像輸入進單一的神經(jīng)網(wǎng)絡進行分類預測。這使得YOLO相對于其它的物體檢測網(wǎng)絡更加的快速。
其在 VOC 2007（Visual Object Class Challenge 2007）上的 mAP（Mean Average Precision）為78.6%，在 COCO test-dev 上為 48.1%
二、YOLO的前置組件介紹
YOLO是基于Darknet的應用，而Darknet還有幾個可選的依賴組件：
OpenCV：如果需要更多的圖像類型支持，需引進該組件。我在之前研究人臉識別開源框架OPENFACE時，已經(jīng)在電腦上安裝過OpenCV了。感興趣的同學可以移步Mac上開源人臉識別軟件OPENFACE安裝全流程教程查看
CUDA：如果要使用GPU進行計算，需引進該組件?？上屹I不起GPU，所以pass
三、YOLO安裝步驟以及錯誤解決方案
1）Darknet下載與安裝
git clone https://github.com/pjreddie/darknet.git
cd darknet
make
2）Darknet 錯誤與解決
錯誤1: undeclared identifier 'CLOCK_REAKTIME'
./src/utils.c:16:19:fatal error:use of undeclared identifier 'CLOCK_REALTIME'
clock_gettime(CLOCK_REALTIME, &now);
根據(jù)報錯日志信息可以指導，在 src/utils.c 中的 CLOCK_REALTIME 這個標識符并沒有被定義。通過在網(wǎng)絡上搜索得知，clock_gettime這個函數(shù)在MAC電腦的操作系統(tǒng)中并沒有被實現(xiàn)，所以我們要使用 MAC 系統(tǒng)上的類似函數(shù)來替代。通過對 src/utils.c 進行改寫，可以解決該問題，具體代碼如下：
3）Darknet 安裝成功驗證
在命令行輸入：
./darknet
當?shù)玫椒答伻缦聲r，說明安裝成功了：
usage: ./darknet
Darknet安裝成功后，其實就代表著yolo安裝好了！下邊我們來繼續(xù)配置一下環(huán)境，然后開始使用yolo吧
四、yolo的配置與使用
yolo是基于darknet的一個具體的實例，說是介紹yolo的使用，實際上是介紹darknet的配置與使用
1）darknet的使用與參數(shù)介紹
通過前邊的介紹，我們知道darknet是一款神經(jīng)網(wǎng)絡開源框架，那么使用darknet，我們需要確定下邊幾個參數(shù)：
［1］神經(jīng)網(wǎng)絡模型：darknet使用一個 xx.cfg 的文件來定義神經(jīng)網(wǎng)絡模型，包括神經(jīng)網(wǎng)絡的迭代次數(shù)、層級網(wǎng)絡架構(gòu)等內(nèi)容
［2］神經(jīng)網(wǎng)絡權(quán)重：darknet可以直接使用訓練好的權(quán)重來進行測試/預測，我們也可以通過對訓練樣本進行訓練獲得網(wǎng)絡權(quán)重。比如可通過下邊的命令獲得yolo模型已訓練好的權(quán)重
wget https://pjreddie.com/media/files/yolo.weights
［3］訓練樣本（optional：訓練時需要）：當我們需要訓練時，需要生成訓練樣本的標簽文件 label.txt。darknet使用了一個 xx.data 類型的文件來存儲訓練樣本參數(shù)
通過下邊的命令行來實現(xiàn)對訓練樣本的訓練：
./darknet detector train cfg/voc.data cfg/yolo-voc.cfg darknet19_448.conv.23
［4］測試樣本（optional：測試時需要）：
測試樣本是圖像，我們可以選擇單張圖片處理形式、多張圖片處理形式，以及攝像頭方式來對圖像進行檢測。需注意的是如果要使用網(wǎng)絡攝像頭接入流來對物體進行圖像檢測，需要接入 OpenCV，而為了提高速度最好也接入 CUDA 來使用 GPU 進行運算。
通過下邊的三種命令行均可對圖像進行物體檢測，其分別代表了一種處理模式：
//單圖片模式
./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg
//多圖片模式，即不要輸入測試樣本，然后后邊再一張張輸入，這個模式可以避免反復load模型
./darknet detect cfg/yolo.cfg yolo.weights
//攝像頭模式（沒錢買不起GPU，所以未驗證）
./darknet detector demo cfg/coco.data cfg/yolo.cfg yolo.weights
2）yolo的使用樣例
［1］預訓練權(quán)重下載（250MB）
wget https://pjreddie.com/media/files/yolo.weights
［2］根據(jù)下載的權(quán)重來進行物體檢測
./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg
輸出結(jié)果如下所示：
通過上邊的介紹，我相信大伙應該對yolo或者說darknet應該有了初步的理解了，通過閱讀源碼以及對該框架的繼續(xù)學習，我相信我們應該可以將這套開源框架應用到實際場景中進行應用！
Hope everyone will have fun playing around!
