首先，让我们看一下官网：https://pjreddie.com/darknet/
这个错误通常是由于CUDA相关的问题引起的。CUDA是一种用于在GPU上进行并行计算的平台和编程模型。而darknet是一个流行的深度学习框架，基于C语言编写，用于目标检测和图像分类等计算机视觉任务。当在darknet中使用CUDA进行GPU加速时，可能会出现上述错误。
去年Amusi 盘点过：目标检测三大开源神器：Detectron2/mmDetectron/SimpleDet。大家反映内容很棒，不少同学开始用起来这些目标检测工具，不管用于发Paper还是做项目。
GitHub： https://github.com/pjreddie/darknet
darknet是一个较为轻型的完全基于C与CUDA的开源深度学习框架，其主要特点就是容易安装，没有任何依赖项（OpenCV都可以不用），移植性非常好，支持CPU与GPU两种计算方式。
git clone https://github.com/AlexeyAB/darknet.git
在本文中，你将学习如何在深度学习的帮助下制作自己自定义的 OCR 来读取图像中的文字内容。我将通过 PAN-Card 图像的示例，带你学习如何进行文本检测和文本识别。但首先，让我们熟悉一下光学字符识别的过程。
我们的第一个任务是从图像/文档中检测所需的文本。通常，根据需要，你不想阅读整个文档，而只想阅读一条信息，如信用卡号、Aadhaar/PAN 卡号、姓名、账单金额和日期等。检测所需文本是一项艰巨的任务，但由于深度学习，我们将能够有选择地从图像中读取文本。
YOLO-V3模型框架，我们主要从它的基础网络Darknet-53以及YOLO-V3的结构方面学习，首先看下Darknet-53结构。
免费步态是一种用于对腿式机器人的多功能，强大和任务导向控制的软件框架。自由步态界面定义了一个全身抽象层，以适应各种任务空间控制命令，例如末端执行器，关节和基础运动。使用反馈全身控制器跟踪定义的运动任务，以确保即使在滑动和外部干扰下也能进行准确和稳健的运动执行。该框架的应用包括机器人的直观远程操作，行为的高效脚本以及运动和脚步计划者的完全自主操作。
在使用Ubuntu操作系统下进行深度学习开发时，有时候可能会遇到include/darknet.h:14:14: fatal error: cuda_runtime.h: No such file or directory的错误。这个错误通常是由于缺少CUDA相关的头文件导致的。本文将介绍如何解决这个错误。
本文主要介绍如何使用 YOLOv4 目标检测模型和 Darknet 框架来创建一个路面坑洞检测系统。（公众号：OpenCV与AI深度学习）
总写一些论文解读自然是不太好的，因为我感觉纸上谈兵用处没那么大，如果你从事深度学习，不静心阅读几个框架那么代码能力肯定是有欠缺的。趁着自己C语言还没有完全忘记，我决定来仔细探索一番AlexeyAB的Darknet框架，所以就有了这个【AlexeyAB DarkNet框架解析】系列。这个系列的更新肯定是十分漫长的，因为里面有很多算法或者特性我也可能还没有怎么学过，所以也是有一些难度，但正所谓硬骨头啃了之后才有营养，所以我决定开这个系列。从今天起，我将尝试做一个最详细的Darknet源码解析（不定期更新），从数据结构到各种新式Backbone再到多种损失函数再到各种新特性等。希望这个系列更新我能和你一起完全掌握这个AlexeyAB版Darknet，并且在阅读代码的能力方面有所提升。值得一提的是AlexeyAB版本Darknet的README.md已经被我们整理成了中文版本，如果你是学术派不是很在意底层代码实现你可以参考README.md去训练或者测试你想要的模型。README.md的中文翻译地址如下：【翻译】手把手教你用AlexeyAB版Darknet 。注意这一节仅仅是框架总览，不会那么详细，后面会非常详细的来逐步分析每个步骤。
大数据文摘作品 编译：Yanruo、小鱼 这是一份详细介绍了目标检测的相关经典论文、学习笔记、和代码示例的清单，想要入坑目标检测的同学可以收藏了！ 在大数据文摘后台回复“目标检测”可打包下载全部论文~
最近开始在计算机视觉领域工作。在这些早期日子里，我们正在研究各种目标检测算法的工作原理。其中最知名的算法包括R-CNN、Fast R-CNN、Faster R-CNN和当然是YOLO。
YOLOv3非常快速和准确。 在mAP值为0.5 IOU时，YOLOv3与Focal Loss相当，但速度约快4倍。 此外，您只需更改模型的大小即可轻松在速度和精度之间进行权衡，而无需重新训练！
老铁们，今天我们将继续配置YOLO-v3目标检测与识别深度学习框架，基于COCO数据集进行训练，并测试模型的效果，最后，我们将通过YOLO-v3进行摄像头实时目标物体检测与识别应用。
前几天加了两个Openvino群，准备请教一下关于Openvino对YOLOv3-tiny的int8量化怎么做的，没有得到想要的答案。但缺发现有那么多人Openvino并没有用好，都是在网络上找资料，我百度了一下中文似乎没有靠谱的目标检测算法的部署资料，实际上这个并不难，用官方提供的例子改一改就可以出来。所以我答应了几个同学写一个部署流程希望对想使用Openvino部署YOLOv3-tiny(其他目标检测算法类推)到cpu或者Intel神经棒上(1代或者2代)都是可以的。
哈喽，大家好，我是唐国梁（Tommy），从今天开始，我将不定期分享有关目标检测和识别框架的理论和实战的研究心得。感兴趣的朋友，可以留言一起交流学习心得。
今天，我们一起学习下YOLO-V2跟YOLO-V1比起来都做了哪些改进？从速度优化和精确度优化的角度来看，主要有以下内容：
yolo 是一种目标检测算法，官方是基于 darknet 这种框架来训练的，darknet 是用 C 写的，有些硬核，所以我在 GitHub 上找到了人家用 pytorch 复现的 yolo，这次就拿 pytorch 结合 yolo 来训练一下自己的目标检测数据集
因为最近在和计算棒打交道，自然存在一个模型转换问题，如果说YOLOv3或者YOLOV3-tiny怎么进一步压缩，我想大多数人都会想到将标准卷积改为深度可分离卷积结构？而当前很多人都是基于DarkNet框架训练目标检测模型，并且github也有开源一个Darknet转到OpenVINO推理框架的工具，地址见附录。而要说明的是，github上的开源工具只是支持了原生的YOLOv3和YOLOV3-tiny模型转到tensorflow的pb模型，然后再由pb模型转换到IR模型执行在神经棒的推理。因此，我写了一个脚本可以将带深度可分离卷积的YOLOv3或YOLOV3-tiny转换到pb模型并转换到IR模型，且测试无误。就奉献一下啦。
YOLOv2 的时候，作者在 YOLOv1 的基础上运用了许多有效的 tricks，所以展示了它的 better、faster、stronger 因素，到了 YOLOv3 的时候，这个模型仍然在进化，保持速度的同时，把准确率给提升了许多。
上篇文章《手把手教你用深度学习做物体检测(二)：数据标注》中已经介绍了如何准备我们训练模型需要用到的数据，上篇文章中有个需要注意的地方就是在生成yolov3所需格式的文件时，务必在unbuntu下生成，我之前在windows下生成然后传到ubuntu上去的，其中的路径需要手动修改成unbuntu下的路径，而且后面在unbuntu下训练的时候会遇到编码问题导致报错。数据以及目录结构如下图：
这篇打算就直入主题了，YOLO是什么、DarkNet是什么、Caffe是什么、NCNN又是什么…等等这一系列的基础科普这里就完全不说了，牵扯实在太多，通过其他帖子有一定的积累后，看这篇就相对容易了。
1．CVPR2013 - You Only Look Once: Unified, Real-Time Object Detection
之前，YOLO系列(v1-v3)作者 Joe Redmon 宣布不再继续CV方向的研究，引起学术圈一篇哗然。YOLO之父宣布退出CV界，坦言无法忽视自己工作带来的负面影响
从广义上说，计算机视觉就是“赋予机器自然视觉能力”的学科。计算机视觉与人工智能有密切联系，但也有本质的不同。人工智能更强调推理和决策，但至少计算机视觉目前还主要停留在图像信息表达和物体识别阶段。计算机视觉的研究内容，大体可以分为物体视觉（object vision）和空间视觉（spatial vision）二大部分. 物体视觉在于对物体进行精细分类和鉴别，而空间视觉在于确定物体的位置和形状，为“动作（action）” 服务。 基于学习的视觉，是指以机器学习为主要技术手段的计算机视觉研究。基于学习的视觉研究
YOLO将输入图像分成SxS个格子，若某个物体 Ground truth 的中心位置的坐标落入到某个格子，那么这个格子就负责检测出这个物体。
YOLOv3是比较常见和常用的深度学习目标检测（Object Dection）算法。今天给大家介绍一下如何一步一步使用YOLOv3训练自己的数据集。
深度学习开源框架众多，对于开发者来说其中有一个很硬的需求，就是模型结构和权重的可视化。使用过Caffe的同学都因为强大的Netscope可以离线修改实时可视化网络结构而暗爽，那其他的框架怎么样呢？
如果说深度学习模型性能的不断提升得益于英伟达GPU的不断发展，那么模型的边缘部署可能就需要借助英特尔的边缘计算来解决。伴随交通、医疗、零售等行业中深度学习应用的发展，数据处理和智能分析逐渐从云端走向边缘。本人与大家分享一下英特尔的边缘计算方案，并实战部署yolo v3-tiny模型。
本文将重点介绍 ALPR 的端到端实现。它将侧重于两个过程：车牌检测和检测到的车牌的 OCR。（公众号：OpenCV与AI深度学习）
实际工作中，目标检测 yolov3 或者 yolov4 模型移植到 AI 芯片中，经常需要将其先转换为 caffe1.x 模型，大家可能或多或少也有这方面的需求。例如华为海思 NNIE 只支持caffe1.x 模型，所以 yolov3/yolov4 模型要想在海思芯片上部署，转换为 caffe1.x 模型是必须的。
【导读】目标检测是计算机视觉的重要组成部分，其目的是实现图像中目标的检测。YOLO是基于深度学习方法的端到端实时目标检测系统(YOLO:实时快速目标检测)。YOLO的升级版有两种:YOLOv2和YOL
目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。
opencv4.3包括集成ARM上tengine推理加速引擎框架支持，OpenVINO加速引擎默认使用 nGraph API等重大改动。
OpenCV DNN模块官方教程地址如下，可以查看各个对应的使用方法https://docs.opencv.org/4.4.0/d2/d58/tutorial_table_of_content_dnn.html
Google Cloud Platform (GCP) 深度学习虚拟机 (VM)（推荐！）
作者Lukas Biewald，是CrowdFlower创始人。 量子位编译整理。 问：搭建一个深度学习系统拢共要花多少钱？ 答：在树莓派上运行TensorFlow成本是39美元；在GPU驱动的亚马逊EC2节点上运行TensorFlow的成本是1美元，每小时。这些都是可行的方案。 当然要想玩得过瘾，可以自己搭建一个快速的深度学习系统，成本不到1000美元。 这也不是小数目，但这么做的好处是，一旦你有了自己的机器设备，可以运行数百个深度学习应用程序，比方增强的机器人大脑，或者搞点艺术创作。这套系统至少比M
最近在github上看到一个博主开源的YOLOv7仓库都惊呆了，YOLOv6都还没出来怎么就到YOLOv7了
为了丰富游戏短视频内容，针对王者荣耀，需要一套自动化剪辑精彩时刻的系统，以能够快速根据主播直播内容生成精彩时刻反馈到游戏短视频社区。
Ps: 目前本框架在持续开发中,后续将支持GPU版本.也欢迎有志之士一块维护本框架. 欢迎Star.
好久不见各位研友（研究好友，不是考研的小伙伴，嘿嘿）！最近，因为题主学校事情比较繁忙，没有花更多的时间在我们的平台，希望关注支持我们的您，原谅我们更新的速度，希望大家继续支持我们，谢谢！ 刚结束自己的手头事情，就想到给大家更新点东西，然后就想到了YOLO V3的东西，因为之前自己有认真研读，发现确实了不起的框架，但是如果有对V1和V2了解的，一定很熟悉了，今天我就和大家来分享下最近的框架——YOLO V3。 论文：https://pjreddie.com/media/files/papers/YOLOv3.
刚结束自己的手头事情，就想到给大家更新点东西，然后就想到了YOLO V3的东西，因为之前自己有认真研读，发现确实了不起的框架，但是如果有对V1和V2了解的，一定很熟悉了，今天我就和大家来分享下最近的框架——YOLO V3。
最近一段时间一直在研究yolo物体检测，基于网络上很少有yolo的分类预训练和yolo9000的联合数据的训练方法，经过本人的真实实验，对这两个部分做一个整理（本篇介绍yolo的分类预训练）
OpenCV中使用YOLO对象检测 OpenCV在3.3.1的版本中开始正式支持Darknet网络框架并且支持YOLO1与YOLO2以及YOLO Tiny网络模型的导入与使用。YOLO是一种比SSD还
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM
