YOLOV3推理环境搭建参考文章：
建立darknet的环境
参考上面的文章，搭建darknet环境,这里需要注意的是darknet使用如下的源
https://github.com/AlexeyAB/darknet
本文使用的就是如上的源,便以前记得把CUDA和OPENCV的支持打开，按照上面博客的方法安装OPENCV依赖包：
之后编译darknet项目，并验证YOLOV3推理是否可以成功进行。
下载COCO数据集：
首先将darkent/scripts/get_cocodataset.sh拷贝到darknet/data目录：
之后,在darknet/data目录执行bash get_coco_dataset.sh，开始下载COCO数据集。
COCO数据集非常的大，有18G左右，所以不但要求你的磁盘有足够的空间，也要求你有足够的耐心。
下载完成后,脚本会对数据进行解压，最终脚本执行结束之后，在darknet/data目录中，新增加了一个COCO目录，所下载的数据集以及数据及解压后的目录都在这里：
至于数据集的化，则在darknet/data/coco/images目录：
修改darknet/cfg/coco.data,将训练数据集的路径和权重文件的目录设置为正确的路径。
下载预训练权重文件：
wget -c https://pjreddie.com/media/files/darknet53.conv.74
开始训练：
在darknet目录下，执行训练命令：
./darknet detector train cfg/coco.data cfg/yolov3.cfg darknet53.conv.74
开始训练，遇到如下的错误：
错误原因是我们需要把batch 和subdivisions设置为64，我们按照要求设置，之后再次执行，遇到新的错误：
这条错误怀疑是由于我PC的资源不足以训练yolov3.cfg这个相对复杂的模型，天无绝人之路，看到darknet/cfg目录下还有不少基于YOLOV3改进的模型，我们改用小模型yolov3-tiny.cfg来训练，训练前同样修改yolov3-tiny.cfg的batch 和subdivisions设置为64，此时，darknet目录的状态为：
(base) caozilong@caozilong-RedmiBook-14:~/darknet$ git status
位于分支 master
您的分支与上游分支 'origin/master' 一致。
尚未暂存以备提交的变更：
（使用 "git add <文件>..." 更新要提交的内容）
（使用 "git checkout -- <文件>..." 丢弃工作区的改动）
修改： Makefile
修改： cfg/coco.data
修改： cfg/yolov3-tiny.cfg
未跟踪的文件:
（使用 "git add <文件>..." 以包含要提交的内容）
darknet53.conv.74
predictions.jpg
修改尚未加入提交（使用 "git add" 和/或 "git commit -a"）
(base) caozilong@caozilong-RedmiBook-14:~/darknet$ git diff
diff --git a/Makefile b/Makefile
index 431933c..ba48185 100644
--- a/Makefile
+++ b/Makefile
@@ -1,7 +1,7 @@
-GPU=0
+GPU=1
CUDNN=0
CUDNN_HALF=0
-OPENCV=0
+OPENCV=1
AVX=0
OPENMP=0
LIBSO=0
@@ -119,7 +119,7 @@ CFLAGS+= -DGPU
ifeq ($(OS),Darwin) #MAC
LDFLAGS+= -L/usr/local/cuda/lib -lcuda -lcudart -lcublas -lcurand
else
-LDFLAGS+= -L/usr/local/cuda/lib64 -lcuda -lcudart -lcublas -lcurand
+LDFLAGS+= -L/usr/local/cuda/lib64 -L/usr/local/cuda-11.5/targets/x86_64-linux/lib/stubs -lcuda -lcudart -lcublas -lcurand
endif
endif
diff --git a/cfg/coco.data b/cfg/coco.data
index 3003841..8cadd38 100644
--- a/cfg/coco.data
+++ b/cfg/coco.data
@@ -1,8 +1,8 @@
classes= 80
-train = /home/pjreddie/data/coco/trainvalno5k.txt
+train = /home/caozilong/darknet/data/coco/trainvalno5k.txt
valid = coco_testdev
#valid = data/coco_val_5k.list
names = data/coco.names
-backup = /home/pjreddie/backup/
+backup = /home/caozilong/backup/
eval=coco
diff --git a/cfg/yolov3-tiny.cfg b/cfg/yolov3-tiny.cfg
index cfca3cf..ad9c505 100644
--- a/cfg/yolov3-tiny.cfg
+++ b/cfg/yolov3-tiny.cfg
@@ -1,7 +1,7 @@
[net]
# Testing
-batch=1
-subdivisions=1
+batch=64
+subdivisions=64
# Training
# batch=64
# subdivisions=2
(base) caozilong@caozilong-RedmiBook-14:~/darknet$
coco目录是一个独立仓库，文件内容无法从外部的仓库DIFF中查看出来，我们进去看一下：
除了上面提到的trainvalno5k.txt文件保存了指向测试图像数据集的照片之外，还有一个label文件目录，是对训练集照片里面的内容的标签描述,每张训练图片对应一个文本标签描述：
下载YOLOV3-Tiny预训练权重
wget -c https://github.com/WongKinYiu/PartialResidualNetworks/blob/master/model/yolov3-tiny-prn.weights
不过貌似yolov3-tiny-prn.weights文件是给cfg/yolov3-tiny-prn.cfg模型准备的，我们先用命令生成一个预训练模型，命令是：
./darknet partial cfg/yolov3-tiny.cfg yolov3-tiny.weights yolov3-tiny.conv.15 15
之后，用生成的预训练权重文件执行训练命令
./darknet detector train cfg/coco.data cfg/yolov3-tiny.cfg yolov3-tiny.conv.15
这次成功执行，训练过程会启动一张坐标图来记录LOSS随着训练迭代次数增加的变化情况，左边的窗口是检测显卡状态用的，这张图是在训练开始后4个小时后截的，可以看到剩余训练时间仍有974个小时，非常的恐怖，我们已经选择的小模型进行训练了，如果训练的是大模型，训练时常可想而知，这也是为什么老黄的N卡能够垄断机器学习的训练领域的原因，他考虑到了高性能计算，并提供了CUDA，CUDANN等工具用于开发高性能计算的产品。
训练过程的动态情况，可以看到训练曲线进行的非常慢，用蜗牛乌龟形容它已经构成对蜗牛和乌龟的诽谤了，非要拿它们哥俩儿作比喻的花，也只能说它们可能是蜗牛世界里的蜗牛里的世界。。。里的蜗牛了，隔着好基层世界呢。
跑15个小时后：
训练后的权重文件：
先不看结果，只看大小，产生的权重文件和广泛使用的yolov3-tiny.weights大小是相同的。
我们用训练后的yolov3-tiny_10000.weights和yolov3-tiny_last.weights来测试推理的情况。
./darknet detect cfg/yolov3-tiny.cfg ./backup/yolov3-tiny_10000.weights data/dog.jpg
./darknet detect cfg/yolov3-tiny.cfg ./backup/yolov3-tiny_last.weights data/dog.jpg
训练效果的变好是个逐渐变化的过程：
一个半小时后:
训练30小时候
人形检测，可以看到准确度和召回率不是很高。
注意：
训练曲线图只有在OPENCV打开的情况下才会出来，如果OPENCV关闭，默认只有训练时控制台的打印输出，不会呼出训练进度曲线图。
backup目录中保存的是不同阶段训练出来的权重文件，训练从一个预训练权重开始初始化网络，之后随着训练进度不断前进，不断产生新的更好的权重数据替换backup目录中的之前的权重文件，通过下图对比可以看到权重文件更新情况：
训练几个小时候，NPU温度已经飙升到90度，笔记本键盘上方5CM内都感觉得到股股热浪袭来，冬天放在房间里活脱脱就是一台取暖器。
看来有必要买台游戏本嫖机器学习了。
训练cfg/yolov3-tiny-prn.cfg
从名字上看，前文下载的yolov3-tiny-prn.weights预训练权重和这个模型也是有些关系的，所以有理由怀疑，是否可以使用yolov3-tiny-prn.cfg文件的模型进行训练，训练处的权重也适用于yolov3-tiny.cfg文件，为了避免走错方向，先对比yolov3-tiny-prn.cfg和yolov3-tiny.cfg的差异。
差异不算大，先拿这个模型推理试试：
./darknet detect cfg/yolov3-tiny-prn.cfg yolov3-tiny-prn.weights beauty.jpeg
./darknet detect cfg/yolov3-tiny-prn.cfg yolov3-tiny-prn.weights highway02_frame000010.jpg
生成预训练权重文件
./darknet partial cfg/yolov3-tiny-prn.cfg yolov3-tiny-prn.weights yolov3-tiny-prn.conv.15 15
训练跑完估计是不可能的了，电脑过了周末就要有它用，当前尽量跑完这个周末，让图像曲线多记录一些，分阶段更新训练曲线～， 就先写到这里。
