Darknet的整体框架，安装，训练与测试

目录

一、Darknet优势

二、Darknet的结构

三、Darknet安装

四、Darknet的训练

五、Darknet的检测

 

正文

一、Darknet优势

darknet是一个由纯C编写的深度学习框架，它有着其它深度学习框架无法相比的优势：

1.易于安装：在makefile里面选择自己需要的附加项（cuda，cudnn，opencv等）直接make即可，几分钟完成安装；
2.没有任何依赖项：整个框架都用C语言进行编写，可以不依赖任何库，连opencv作者都编写了可以对其进行替代的函数；
3.结构明晰，源代码查看、修改方便：其框架的基础文件都在src文件夹，而定义的一些检测、分类函数则在example文件夹，可根据需要直接对源代码进行查看和修改；
4.友好python接口：虽然darknet使用c语言进行编写，但是也提供了python的接口，通过python函数，能够使用python直接对训练好的.weight格式的模型进行调用；
5.易于移植：部署到机器本地十分简单，且可以根据机器情况，使用cpu和gpu，特别是检测识别任务的本地端部署。

 

二、Darknet结构

    darknet整理结构图：

 |--\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

    各文件夹功能解释：

    1.cfg文件夹内是一些模型的架构，通过该文件定义整个模型的架构

    2.data文件夹内放置了一些label文件,和一些样例图

    3.src文件夹内全是最底层的框架定义文件，所有层的定义等最基本的函数全部在该文件夹内

    4.examples文件夹是更为高层的一些函数，如检测函数，识别函数等，这些函数直接调用了底层的函数，我们经常使用的就是example中的函数；

    5.include文件夹，存放头文件的地方；

    6.python文件夹里是使用python对模型的调用方法，基本都在darknet.py中; 

    7.scripts文件夹中是一些脚本，如下载coco数据集，将voc格式的数据集转换为训练所需格式的脚本等

    8.除了license文件，剩下的就是Makefile文件

 

三、Darknet安装

    1、打开Makefile文件，将需要的选项设置为1，使用GPU和CUDNN：

   2、打开终端，进入到darknet文件夹根目录，输入make，开始编译

   3、编译完成后，在根目录下，会多出一些文件夹和文件：obj文件夹中存放了编译过程中的.o文件，另外，还生成了三个文件：可执行文件darknet.exe，静态链接库libdarknet.a和动态链接库libdarknet.so。本地进行模型调用可直接使用darknet.exe，而如果要移植到其它平台，就需要用到libdarknet.so这个动态链接库。不过，该动态链接库只包含了src文件夹中定义的框架基础函数，并没有包含examples中的上层函数，所以在调用过程中需要自己去定义检测函数。

 

四、Darknet的训练

     1、数据准备

        将数据的groundtruth转化为darknet需要的格式，如果你的gt为voc格式的xml，可以通过如下脚本进行转换

import xml.etree.ElementTree as ET
import pickle
import os
from os import listdir, getcwd
from os.path import join
classes = ["car"]#类别改为自己需要检测的所有类别
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)#与图片对应的xml文件所在的地址
    out_file = open(txt_save_path,'w') #与此xml对应的转换后的txt，这个txt的保存完整路径
    tree=ET.parse(in_file)
    root = tree.getroot()
    size = root.find('size')  #访问size标签的数据
    w = int(size.find('width').text)#读取size标签中宽度的数据
    h = int(size.find('height').text)#读取size标签中高度的数据

    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')

     需要自行设置xml_path和txt_save_path

从上面的代码可以看到，对于object的位置x_min,x_max,y_min,y_max，先求得其中心点坐标center_x,center_y以及位置框的长宽width_rect,height_rect，再将这四个值分别除以长宽以将数据归一化。

     2、*.data文件准备

     训练的时候必须的项目有“class”，“train”，“backup”。“names”最好也设置上，方便以后调用。

     “class”表示你要检测的类别个数，如检测类别为4则class=4
     “backup”表示训练过程中的缓存和保存的模型。训练过程中，会在该路径下生成一个后缀为.backup的文件，该文件每100个step将模型更新一遍，以防止训练忽然终端而没有保存模型。并且，训练保存的模型也会存在该路径下。默认情况下，每10000step还是多少会保存一个模型，命名为yolov3_迭代次数.weights，最终训练完成还会保存一个yolov3_final.weights。这些模型都会保存在backup路径下
     “names”为保存检测object名称的路径，names=plate.names
     “train”为你训练集的list路径，如train=data/trainlist.txt，trainlist.txt中保存了所有训练集图像的路径：

    /home/jim/yolov3/data/car/image/1101.jpg

    /home/jim/yolov3/data/car/image/1104.jpg

    /home/jim/yolov3/data/car/image/1134.jpg

    可通过如下命令生成文件：

        find image_path -name \*.jpg > trainlist.txt     ：：image_path为你数据集的路径

    3、*.cfg文件准备

如果要调用yolo v3，可以直接使用cfg文件夹下的yolov3.cfg，但是需要做如下几个修改：
首先，将最上方的

# Testing
batch=1
subdivisions=1
# Training
# batch=64
# subdivisions=16
修改为

# Testing
#batch=1
#subdivisions=1
# Training
batch=64
subdivisions=16

其中batch表示batchsize，而subdivisions是为了解决想要大batchsize而显存又不够的情况，每次代码只读取batchsize/subdivisions 个图像，如图中设置为64/16=4，但是会将16次的结果也就是64张图的结果，作为一个batch来统一处理; 

然后，根据自己检测的类别，将每个[yolo]（共有三个[yolo]） 下方的classes修改为自己需要检测的类别，如果只检测一类则classes=1
然后将每个[yolo] 上方的第一个filters的值进行修改，计算方式为（5+classes）*3,如果classes为1，则为18，修改前后的对比：

[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表示论文中提及的resize network来增强网络的适应性，如果显存足够，最好设置为1，如果显存不够，也可以将其设置为0，即不进行network resizing

   4、weights文件准备

      如果你使用的是作者提供的cfg模型结构，如yolov3，那么可以到官网去下载预训练模型来初始化模型参数，这样可以加快收敛。

      当然，你也可以不使用预训练模型进行训练

   5、开始训练

     如果使用预训练模型则使用如下命令

     ./darknet detector train data/detect.data data/yolov3.cfg data/yolov3.weight

     否则，使用如下命令：

      ./darknet detector train data/detect.data data/yolov3.cfg

     注：分类模型使用如下命令：

      ./darknet classifier train cfg/cifar.data cfg/cifar_small.cfg （xxx.weights）

 

五、Darknet的检测

     检测使用如下命令：

      ./darknet detector test data/detect.data data/yolov3.cfg data/yolov3.weight

       其中./darknet为前面编译生成的darknet.exe文件，darknet.exe首先调用example文件夹下的darknet.c，该文件中的main函数需要预定义参数，detector即为预定义参数，如下代码：

       else if (0 == strcmp(argv[1], "detector")){ run_detector(argc, argv);}

  由‘detector’转而调用run_detector，run_detector存在于example文件夹下的detector.c中，再根据预定义参数，确定是调用检测函数，训练函数还是验证函数：

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表示检测，train表示训练，valid表示验证，recall表示测试其召回率，demo为调用摄像头的实时检测，命令最后的三个参数表示运行需要的文件，.data文件记录了模型检测的类别，类名文件等，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表示检测类别，train为训练中需要用到的训练数据的列表，valid为验证集列表，names为检测类别的名称，backup为训练中用到的存放训练模型的路径

.cfg文件定义了模型结构，而.weight文件为调用的模型权重文件。