带你完成yolov3深度学习与对象检测：darknet环境的win系统安装

发布于2023年 3月 12日作者:powers

YOLOV3算法解读

在yolov3前，还有yolov2以及yolo 2个版本，YOLO 的核心思想是用整张图作为网络的输入，直接在输出层回归 bounding box（边界框）的位置及其所属的类别，由于yolo前2个版本的缺陷，作者发布了第三个版本yolov3，其yolov3在不同训练集上的速度与精确度远远大于Faster R-CNN，ResNet，SSD等训练算法，yolo算法的发布便引起了大家的广泛关注

yolov3在不同训练集上的处理速度

YOLO3主要的改进有：调整了网络结构；利用多尺度特征进行对象检测；对象分类用Logistic取代了softmax。

YOLOV3结构

新的网络结构Darknet-53

在基本的图像特征提取方面，YOLO3采用了称之为Darknet-53的网络结构（含有53个卷积层），它借鉴了残差网络residual network的做法，在一些层之间设置了快捷链路（shortcut connections）。

YOLOV3结构

DBL:代码中的Darknetconv2d_BN_Leaky，是yolo_v3的基本组件, 卷积+BN+Leaky relu

resn：n代表数字，有res1，res2, … ,res8等等，表示这个res_block里含有多少个res_unit

concat：张量拼接。将darknet中间层和后面的某一层的上采样进行拼接

上图的Darknet-53网络采用256*256*3作为输入，最左侧那一列的1、2、8等数字表示多少个重复的残差组件。每个残差组件有两个卷积层和一个快捷链路，示意图如下：

YOLOV3结构

关于YOLOV3以及yolo算法的详细解读，大家查看网络上的解读，我们分享的文章主要是如何来使用它，按照我们先前讲解的Faster R-CNN，ResNet，SSD等算法：

5步实现深度学习OpenCV对象检测：Faster-RCNN图片识别

深度学习和OpenCV的对象检测(MobileNet SSD图像识别)

依然可以使用python来进行yolo的执行，此部分我们后期分享，本期主要分享Darknet的安装

Darknet的Windows环境下安装

Darknet：C语言中的开源神经网络

Darknet是一个用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，以上说的易于安装主要是Linux环境下的安装，若你习惯了Linux环境，可以按照官网教程几行命令行来进行Darknet的安装（PS：果然大牛程序员都是使用Linux系统的）

Darknet的Windows环境下安装，比较复杂，好在有网友已经编写好了源代码，我们使用编译器来进行编译

1、源代码下载

源代码小编已经下载（可直接回复：Darknet），解压好的代码结构如下：

目录结构

解压完成后打开bulid文件夹，使用visual studio 2015 profession 专业版打开darknet_no_gpu.sln 文件，若你有cuda ，可以查看你的cuda版本，对darknet.vcxproj的cuda版本进行修改（修改2处），然后使用visual studio 2015 profession打开darknet.sln文件，由于no_gpu版本适合所有用户，我们分享no_gpu版本，有gpu的版本可以参考本期来进行设置。