影像辨識-YOLO darknet編譯建置方法

最近開始研究影像辨識的套件

於是找到一個目前非常火紅YOLO

其官方網站：https://pjreddie.com/darknet/yolo/

而其效果就如首頁這張圖

擁有相當高的mAP-50(越高越好)以及執行效率(越快越好)


官方的github連結：https://github.com/pjreddie/darknet

恩...就是一個說明很簡短的gitlab首頁

反而比較有名的是AlexeyAB的fork版本，github連結為：https://github.com/AlexeyAB/darknet

乍看之下真的會以為這個才是官方版本... XDD

底下的說明內容非常完整

所以目前也是以此版本下載進行測試，如下圖：

下載完後在build\darknet資料夾有幾個相關的方案檔，如下圖：

主要針對darknet以及yolo_cpp_dll這兩個方案檔


這裡有一篇大陸的介紹，算是相當完整：https://www.zhihu.com/appview/p/45845454

也是透過這篇才能比較順利的進行建置

但有些地方需要進行調整及差異的就在此補充說明


目前採用的開發IDE是MSVS2017(需安裝C++開發套件)

以及目標環境是windows10、Cuda10.0

Cuda 10.0的下載位置：https://developer.nvidia.com/cuda-downloads?target_os=Windows&target_arch=x86_64&target_version=10

以及所搭配的cuDNN：https://developer.nvidia.com/rdp/cudnn-download

以及該套件所需參考的openCV：https://sourceforge.net/projects/opencvlibrary/files/opencv-win/3.4.0/opencv-3.4.0-vc14_vc15.exe/download


由於開發的環境並沒有支援cuda的顯卡

因此在安裝Cuda 10.0時，可僅安裝相關的開發套件，如下圖：

一定要安裝development跟Visual Studio Integration
(其他應該都可以不用安裝)


而cuDNN下載後執行就進行解壓縮動作，解完資料夾如下：

這些資料夾內的檔案之後會需要進行搬移，等等再進行說明


OpenCV下載後執行也是進行解壓縮動作，解出來的資料夾如下：

待會兒會需要include跟x64這兩個資料夾的path，所以請把openCV放置在你認為適合的位置


接著用VS2017開啟darknet.sln會出現以下畫面：

由於原先該作者是用VS2015開發的，所以就點選確定進行專案升級

開啟後該方案會停在Debug、Win32的組態環境

對著方案右鍵，選擇組態管理員，將其組態改成release、x64

改完之後就可以進行建置，第一次建置會出現這樣的錯誤：

於是對著專案按右鍵->屬性，進行cuda path的設定：

預設的安裝位置會在：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0

設定完之後再進行建置：

會出現cudnn的error

這時候就將剛剛解壓縮的cudnn的三個資料夾bin、include、lib中的檔案(共三個檔案)

複製到cuda的安裝目錄：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0 相對應的資料夾內

cudnn\cuda\bin的cudnn64_7.dll 複製到 CUDA\v10.0\bin裡面

cudnn\cuda\bin的cudnn.h 複製到 CUDA\v10.0\include裡面

cudnn\cuda\lib\x64\cudnn.lib 複製到 CUDA\v10.0\lib\x64裡面

接著再進行建置：

會出現OpenCV的錯誤

於是再針對專案按右鍵->屬性，設定VC++目錄以及連結器

VC++目錄中，先在Include目錄加入OpenCV的include path

build\include、build\include\opencv、build\include\opencv2 這三個路徑

以及程式庫目錄中加入OpenCV的lib path

build\x64\vc14\lib 這一個路徑

接著在連結器的輸入頁面的其他相依性加入

opencv_world340.lib

以上都完成後再進行建置，就終於能建置成功了!

建置成功，會在專案的資料夾build\darknet\x64產生一個darknet.exe

即可透過該指令進行物件辨識的測試


該執行檔會依賴於build\darknet\x64裡面的pthreadGC2.dll、pthreadVC2.dll 這兩個元件

以及cudnn：cudnn64_7.dll、openCV：opencv_world340.dll、ffmpeg：opencv_ffmpeg340_64.dll

將這五個dll以及exe都放置於同一個資料夾中才能正常執行

目前測試採用coco資料集 以及 yolo3的model

所需的資料有：yolov3.weights、yolov3.cfg、coco.data、coco.names

yolov3.weights比較麻煩需上網下載：https://pjreddie.com/media/files/yolov3.weights

其他三個在下載的build\darknet\x64\cfg以及data資料夾中可找到

這些檔案的配置如下：

yolov3.cfg、yolov3.weights 放在與執行檔同一層資料夾

coco.data放在cfg資料夾

coco.names放在data資料夾

然後在build\darknet\x64\data的資料夾內有一個labels的資料夾

也要將該資料夾放置到目標的data資料夾裡面

利用命令提示字元執行

darknet.exe detect yolov3.cfg yolov3.weights Bird2.png

Bird2.png就是要進行影像辨識的檔名，放在與exe同一個目錄下

執行結果如下：

這樣就表示成功，花費了27.95 ms

辨識的結果會在執行目錄下產出一個predictions.jpg

以上就是建置darknet.sln產生出exe以及執行exe的方式

若要測試影片

則執行的命令如下：

darknet.exe detector demo cfg/coco.data yolov3.cfg yolov3.weights yourVideo.mp4

yourVideo.mp4就是你所要測試的影片檔

執行結果如下：

執行後會跳出一個新視窗，該視窗會顯示標記所有辨識到的物件

而原本的console視窗會不斷跳出辨識物件的資訊，以及辨識影片的FPS

這個darknet.exe的執行方法可以協助做第一步的影片測試

除了測試辨識效果外也能初步確認GPU顯卡的計算效能

算是相當方便!


重點提醒：若要測試影片檔，一定要將所參考的opencv_ffmpeg340_64.dll

放置到執行目錄，否則會出現如下的錯誤訊息：

會一直以為是CUDA參數錯誤的錯誤訊息... XDD


而下載中的另外一個方案yolo_cpp_dll.sln也是用一樣的方式建置

產出來的dll就能透過外部程式進行引用呼叫

下一篇再來介紹AlturosDestinations作者所提供C# Wrapper - Alturos.Yolo