張潤達電子商務網站

 首先，当然是要配置好环境啦，这里相信屏幕前的你已经配置好了，如果没有配置好也不用着急。可以看一下本博主另一篇保姆教程，请移步：https://blog.csdn.net/weixin_39954922/article/details/105785460，，，，啊哈哈哈哈 一、配置好之后，最重要的就是数据集，因为博主报名参加了RM比赛，所以就用大疆给的官方数据集试验了一下，首先准备两个数据集，一个是图片数据集Image，一个是每个图像内标记好目标后生成的xml文件Annotation。这里我只用了两百张图片：如下图： 二、把图片放在darknet.exe同级目录下的data文件夹，在data内新建文件夹专门用来存放图片，这里我建立的是robomaster文件夹。 三、需要准备两种txt文件，一种是train.txt，这个txt文件要放在data文件夹下，且内容为存储了每张图片相对于darknet.exe的路径，笔者的文件如下： 另一种TXT文件是每张图片都对应有一个，是通过xml文件得来的，每个TXT文件里面都是纯数字如图一所示，记录了标记目标的信息。这个TXT的命名与对应图片的命名一样，且训练时要放置在与image相同目录下，如图2所示： 图一 图二   四、在data文件夹下建立.names和.data文件。笔者建立的是robomaster.names和robomaster.data文件，在robomaster.names文件里面写上要检测的目标的名称，每个名称占用一行，如图三所示，这里检测目标有五个 图三 robomaster.data文件的内容包括总共有多少类对象，train.txt的文件路径，备份路径等，如图四所示。classes要改成对应的数字，如果你想检测的目标有6个，就改成6。 图四   五、建立训练所需的.cfg文件，在cfg文件夹下创建，笔者直接复制的原有的yolov4.cfg，并改名为yolov4-robomaster.cfg。 六、更改cfg文件内的参数。非常重要！！！ 6.1更改batch为batch=64 6.2更改subdivisions为subdivisions=16 6.3更改max_batches为classes数*2000，但是不要少于4000，例如笔者这里有classes=5,那么max_batch...

 代码小白，第一次认真看大段大段的代码，基础知识严重欠缺，如有错误望指正。 进入正题： 测试命令示例： $./darknet detector test cfg/voc.data cfg/tiny-yolo-voc.cfg results/tiny-yolo-voc_6000.weights data/images.jpg 1 一、main函数 目前最新版本的darknet中，darknet.c和detector.c都在examples文件夹中。 首先，从主函数开始解析命令行参数，然后根据不同的命令行参数进入不同的调用方法。（本文不考虑GPU部分代码） //darknet.c int main(int argc, char **argv) {     //test_resize("data/bad.jpg");     //test_box();     //test_convolutional_layer();     //如果没有任何命令行参数，则打印一句提示信息：Usage: [应用程序名称] <function>，即告诉你要指定一个命令行参数。     if(argc < 2){         fprintf(stderr, "usage: %s <function>\n", argv[0]);         return 0;     }     if (0 == strcmp(argv[1], "average")){         average(argc, argv);     }  else if (0 == strcmp(argv[1], "detector")){         run_detector(argc, argv);     }//第一个参数是detector，跳转到run_detector函数     return 0; ...

 最近新出了YOLOV4，我系统的从V1开始整理出稿，传送门： 【YOLOv1原文+翻译】You Only Look Once Unified, Real-Time Object Detection 【YOLOv2原文+翻译】YOLO9000: Better, Faster, Stronger 【YOLOv3原文+翻译】YOLOv3：An Incremental Improvement 【YOLOv4原文+翻译】YOLOv4：Optimal Speed and Accuracy of Object Detection 实验室大佬在Ubuntu16.04上轻松实现，我也来个Win10版的~ 先上一张成功检测的结果图： 正文开始 WIN10+YOLOv4，windows上完美执行YOLOv4目标检测 1 软件安装 1.1 下载安装NVIDIA显卡驱动 1.2 下载安装CUDA 1.3 下载安装cuDNN 1.4 下载安装OpenCV 1.5 下载安装VS2019 2 配置YOLOv4环境 2.1 下载YOLOv4 2.1 复制OpenCV文件 2.2 VS2019项目配置 2.3 修改darknet.vcxproj 2.4 拷贝CUDA文件 2.5 下载YOLOv4预训练权重文件 3 目标检测 1 软件安装 我的软件环境：WIN10，CUDA10.2，cuDNN7.6.5，python3.7，VS2019，OpenCV3.4.2 硬件环境：GTX2080Ti ×2，80G内存 1.1 下载安装NVIDIA显卡驱动 设备管理器查看自己电脑的显卡型号，然后进入NVIDIA驱动下载，下载对应硬件的驱动版本。安装好后，把 C:\Program Files\NVIDIA Corporation\NVSMI 添加到环境变量的path中，然后CMD中输入： nvidia-smi 如果显示下图内容，证明驱动安装成功： 1.2 下载安装CUDA CUDA官网已到11.0版本，我建议用10.2版本。 传送门：各个版本的CUDA下载 点击 CUDA Toolkit 10.2 (Nov 2019)下载 建议默认路径安装。 安装时勾选Visual Studio Integration 安装后配置环境变量 计算机上点右键，打开属性->高级系统设置->环境变量，可以看到系统中多了...

 本文轉載自https://aiacademy.tw/yolo-v4-intro/ YOLOv4 產業應用心得整理 - 張家銘 2020 年在 AI 領域中有不少令人振奮的技術創新，像是在電腦視覺領域的 YOLO v4 以及自然語言領域的 GPT-3，而 YOLO (You Only Look Once) 為物件偵測 (Object Detection) 的重要技術。 YOLO 首次於 2015 年 6 月由 Joseph Redmon 提出，隨著時間推進又推出了 YOLOv2 (2016.12)和 YOLOv3 (2018.04)，而在 2020.02.21 時 YOLO 之父 Joseph Redmon 宣布退出電腦視覺領域，但是這並不影響 YOLO 的進化，在 2020 年 4 月時就推出了 YOLOv4，總共有三位作者，第一個是來自俄羅斯的 Alexey Bochkovskiy，他曾經參與 YOLO github 的項目維護，而另外兩位則來自台灣，分別是中央研究院資訊所的廖弘源所長與王建堯博士，YOLOv4 在 AI Rewind 2020: A Year of Amazing Papers 榮獲 2020 年度最驚艷的論文之一，簡直是 AI 界的台灣之光。 那麼紅的 YOLOv4 想必大家都在使用，在我們台灣人工智慧學校技術領袖班的結業專題中，使用的組別也是大有人在。在本篇文章中，將整理一些使用 YOLOv4 的心得 : (關於技術細節方面並不會深入探討) 物件偵測能應用在哪裡 YOLOv3 和 YOLOv4 差異 CFG 說明 (超參數) 人臉偵測的 YOLO 模型 模型部屬 使用 YOLOv4 時常見的狀況 結語 物件偵測能應用在哪裡 物件偵測在現實生活中可以解決許多問題，例如 瑕疵偵測：製造業常用的瑕疵檢測 社交距離+口罩偵測：目前疫情下的口罩偵測以及維持社交距離 人臉偵測：進一步可以發展為人臉辨識，進而實現人臉打卡、罪犯追蹤 交通路況偵測：促進智慧交通的發展，像是車流或是人流偵測 來源：立達軟體科技股份有限公司、長庚大學、中研院 YOLOv4 展示影片如 影片一 所示： 影片一，YOLOv4 展示影片 YOLOv3 和 YOLOv4 差異 YOLOv3 發表於 2018 年 4 月，讓我們來看看經過兩年後 YOLO 進化成怎樣吧！ 在 圖一...