水果识别-搭建框架

最近要一个基于深度学习识别水果项目，然后利用了就在Darknet上跑起了yolov3，做好数据集和改好网络以后，就放在实验室的1080Ti上训练者，从昨天中午开始到今天上午才训练了9800多个轮次，我设置的是训练10w次，估计可能要训练一个星期，第一次深切的体会到深度学习是一个很吃机器的游戏，利用在等训练权重的这个时间我就来记录一下做这个过程，便于以后查阅。

水果识别

水果识别-搭建框架
水果识别-数据集制作
水果识别-训练
水果识别-测试

先贴上YOLO官网 （官网上的安装教程很详尽，官方教程总是最权威的教程）

搭建框架包括：

• 安装相关依赖
• 安装darknet框架

1.安装相关依赖

Ubuntu安装CUDA

Ubuntu安装OpenCV

Ubuntu安装cuDNN

(只要对应版本对就行，好像版本要求不是很严格)

2.安装darknet

1. 在github上clone darknet
   
   git clone https://github.com/pjreddie/darknet cd darknet make

   1 2 3 4

   git clone https://github.com/pjreddie/darknet cd darknet make

   
   较新的机型建议使用下面这个版本的darknet
   
   git clone https://github.com/AlexeyAB/darknet.git cd darknet make

   1 2 3 4

   git clone https://github.com/AlexeyAB/darknet.git cd darknet make

2. 更改Makefile
   
   GPU=1 #是否需要用GPU CUDNN=1 #是否需要用CUDNN,这是NVIDIA做的一些优化,实际上就是一些库文件,优化一些常用的矩阵操作 OPENCV=1 #用来对图片进行操作,打开,画图等等,如果你不用的话,,在测试时就不会有直接显示图片的效果 OPENMP=0 #CPU的多线程 #Arch GPU的架构版本 ARCH= -gencode arch=compute_20,code=[sm_20,sm_21] \# Fermi 架构 常见 gtx480 gtx580 -gencode arch=compute_30,code=sm_30 \# Kepler 架构 常见 gtx680 -gencode arch=compute_35,code=sm_35 \# Kepler 架构 常见 gtx780 -gencode arch=compute_50,code=[sm_50,compute_50] \# Maxwell 架构 常见 gtx750Ti gtx8 到9 系列 M -gencode arch=compute_52,code=[sm_52,compute_52]# Maxwell 架构 常见 gtx8 到9 系列 -gencode arch=compute_61,code=[sm_61,compute_61]# Pascal 架构 常见 gtx 10系列 -gencode arch=compute_70,code=[sm_70,compute_70]# Volta 架构 这个不常见,用作超算或者数据中心 #高版本code不能在低版本的卡上跑,架构不同的其特性也有差距,所以尽量查一下你的显卡是在那个计算能力上的

   1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

   GPU=1     #是否需要用GPU CUDNN=1   #是否需要用CUDNN,这是NVIDIA做的一些优化,实际上就是一些库文件,优化一些常用的矩阵操作 OPENCV=1  #用来对图片进行操作,打开,画图等等,如果你不用的话,,在测试时就不会有直接显示图片的效果 OPENMP=0  #CPU的多线程 #Arch GPU的架构版本 ARCH= -gencode arch=compute_20,code=[sm_20,sm_21] \# Fermi 架构 常见 gtx480 gtx580       -gencode arch=compute_30,code=sm_30 \# Kepler 架构 常见 gtx680       -gencode arch=compute_35,code=sm_35 \# Kepler 架构 常见 gtx780       -gencode arch=compute_50,code=[sm_50,compute_50] \# Maxwell 架构 常见 gtx750Ti gtx8 到9 系列 M       -gencode arch=compute_52,code=[sm_52,compute_52]# Maxwell 架构 常见 gtx8 到9 系列       -gencode arch=compute_61,code=[sm_61,compute_61]# Pascal 架构 常见 gtx 10系列       -gencode arch=compute_70,code=[sm_70,compute_70]# Volta 架构 这个不常见,用作超算或者数据中心   #高版本code不能在低版本的卡上跑,架构不同的其特性也有差距,所以尽量查一下你的显卡是在那个计算能力上的

   
   注意两个问题，第一是上面把GPU,CUDNN,OPENCV这些都设为1，因为是做目标检测所以这些都要用到，另外要查实验机器对应的GPU型号，比如我用1080Ti所以只要-gencode arch=compute_61,code=[sm_61,compute_61] 这一行，其他的都注释掉。改好配置文件以后在执行make 。

   这样框架基本就搭建好了，感觉搭建框架最麻烦的就是相关依赖的安装，没有安装好依赖编译就会不通过。

3. 检验安装下载训练权重（权重大约237M）
   wget https://pjreddie.com/media/files/yolov3.weights

   1 2	wget https://pjreddie.com/media/files/yolov3.weights

   测试

   ./darknet detect cfg/voc.data cfg/yolov3.cfg yolov3.weights data/dog.jpg

   1 2	./darknet detect cfg/voc.data cfg/yolov3.cfg yolov3.weights data/dog.jpg

   会看到在命令行中显示