darknet使用教程 darknet框架是什么？

darknet框架是什么？

darknet是一个特有轻型火炮的全部基于C与CUDA的开源软件深度学习框架，其主要特点是容易安装，没有任何依恋项（OpenCV都可以不不用），移植技术性太好，允许CPU与GPU两种计算。

darknet是一个由纯C汇编语言的深度学习框架，它有着其它深度学习框架没能比起的优势：

1.易于安装：在makefile里面选择类型自己不需要的额外项（cuda，cudnn，opencv等）直接take即可，几分钟完成直接安装；

2.没有任何依恋项：整个框架都用C语言并且编写，也可以不依赖任何库，连opencv作者都编译程序了可以不对其参与松蜡的函数；

3.结构清晰明确，源代码一栏、修改比较方便：其框架的基础文件都在src文件夹，而定义的一些检测、归类函数则在example文件夹，可依据不需要直接对源代码进行一栏和修改；

4.友好python接口：可是darknet在用c语言通过c语言设计，不过也提供给了python的接口，函数，能够在用python然后对训练好的.weight格式的模型并且全局函数；

5.易被移植：防御部署到机器本地相当简单啊，且是可以参照机器情况，使用cpu和gpu，特别是检测检测能识别任务的本地端部署。

yolo瑕疵检测的特点？

语义分割的两个步骤也可以可以概括为：

(1)检测目标位置(生成矩形框)

(2)对目标物体进行分类

物体检测的主流算法框架确切分为one-stage与two-stage。two-stage算法代表的有R-CNN系列，one-stage算法代表的有YOLO系列。按笔者表述，two-stage算法将步骤一与步骤二没分开执行，键入图像先当经过候选框生成网络(比如fasterrcnn中的RPN网络)，再经由分类网络one-stage算法将步骤一与步骤二而先执行，键入图像只在一个网络，生成气体的结果中而乾坤二卦位置与类别信息。two-stage与one-stage比起，精度高，不过换算量相当大，所以除法运算速度较快。

YOLO特点

(1)YOLO马上，而且用回归的方法，但是不需要紧张的框架。

(2)YOLO会基于条件整张图片信息接受分析和预测，而其他滑窗式的检测框架，只有设计和实现局部图片信息接受推理。

(3)YOLO学一点的图片特征颇为通用。

YOLOV1算法原理

网络结构：输入图像大小为448×448，经由若干个卷积层与池化层， 7×7×1024张量，到最后经过两层全连接层，输出低张量维度为7×7×30，这是YOLOV1的整个神经网络结构，和好象的卷积物体分类网络是没有过多的区别，比较大的不同就是：分类网络最后的全连接层，象连接上一个一维向量，向量的不同位代表完全不同的类别。YOLO的backbone网络结构，深受启发于googleNet，又是V2、V3中darknet的先锋。本质上没有什么特别，是没有不使用BN层，用了一层Dropout。以外结果一层的输出可以使用了线性激活函数，其他层所有不使用LeakyReLU激活函数。