• darknet de AlexeyAB sur GitHub bien documenté
• Détection avec YOLO v2 Les explications pour créer les images training et test
• How to train multiple objects in YOLOv2 using your own Dataset
• How to train YOLOv3 to detect custom objects

Nous avons 1000 images 416×416 obtenus avec Création du set d'apprentissage et les fichiers test.txt et train.txt

Il est très probable que darknet marche avec opencv-python==4.0.0 !

sudo pip3 uninstall opencv-python==4.0.0
sudo pip3 install opencv-python==3.4.5.20

Modification du fichier Makefile

GPU=0
CUDNN=0
CUDNN_HALF=0
OPENCV=0
AVX=0
OPENMP=1
LIBSO=1

Dans le dossier de darknet:

make

darknet53.conv.74

wget https://pjreddie.com/media/files/darknet53.conv.74

cfg/obj.data

classes= 27
train  = train.txt  
valid  = test.txt  
names = obj.names  
backup = backup/

cfg/tiny-yolo.cfg

Line 2: batch=24
Line 3: set subdivisions=8
Line 120: set classes=1
Line 114: filters=160

test.txt et train.txt sont à coller dans le dossier darknet
Les chemins dans ces fichiers sont absolus !

./darknet detector train cfg/obj.data cfg/tiny-yolo.cfg darknet53.conv.74

ça crée un dossier darknet/backup avec des fichiers:

yolov3-tiny_1000.weights
yolov3-tiny_2000.weights
yolov3-tiny_3000.weights

L'image shot_878_e.jpg est copiée dans data, puis

./darknet detector test cfg/obj.data cfg/yolov3-tiny.cfg backup/yolov3-tiny_1000.weights data/shot_878_e.jpg

Le résultat est dans l'image predictions.jpg du dossier darknet.

Efficacité = 0.0000000000000000000000000000000000 %

Une carte graphique s'impose: YOLO sur un portable Optimus

Modification des options dans Makefile avec GPU

    GPU=1
    CUDNN=1
    CUDNN_HALF=1
    OPENCV=1
    DEBUG=0
    OPENMP=1
    LIBSO=1

Dans le dossier darknet

make

./darknet detector test ./cfg/coco.data ./cfg/yolov3.cfg ./yolov3.weights