【树莓派5 测评】 + 16.yolo-v3测试（zmj）

赵美京₁₉⁸⁸⁸

【树莓派5 测评】 + 16.yolo-v3测试（zmj）

YOLO是You Look once的简称，是目标检测算法中比较常用的一种算法。YOLO-V3是目标检测算法中的YOLO算法的第三个版本。在这个版本中其实并没有太多的创新点，更多的是借鉴了前两个版本，但是却在保持速度的同时，在精度上做了优化。

YOLO-V3所使用的主干特征提取网络为Darknet53，它作为一个单独的神经网络作用在图像上，将图像划分成多个区域并且预测边界框和每个区域的概率。

//------darknet
https://pjreddie.com/darknet/


1.        安装YOLO

安装YOLO的过程十分简单，下载darknet后编译即可。

1. //------安装指令
   
2. //---下载并进入darknet目录
   
3. git clone [url]https://github.com/pjreddie/darknet[/url]
   
4. cd darknet
   
5. //---编译安装
   
6. make
   
7. //------下载权重模型并测试
   
8. //---yolov3-tiny
   
9. wget [url]https://pjreddie.com/media/files/yolov3-tiny.weights[/url]
   
10. ./darknet detect cfg/yolov3-tiny.cfg yolov3-tiny.weights data/dog.jpg
    
11. //---yolov3
    
12. wget [url]https://pjreddie.com/media/files/yolov3.weights[/url]
    
13. ./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg

复制代码

2.        模型下载及测试

测试yolov3-tiny和yolov3这两种模型。

2.1        下载测试

1. //------下载权重模型并测试
   
2. //---yolov3-tiny
   
3. wget https://pjreddie.com/media/files/yolov3-tiny.weights
   
4. ./darknet detect cfg/yolov3-tiny.cfg yolov3-tiny.weights data/dog.jpg
   
5. //---yolov3
   
6. wget https://pjreddie.com/media/files/yolov3.weights
   
7. ./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg
   
8. //------Log信息
   
9. zhaomeijing@raspberrypi5:~/workspace/04_yolo/darknet$ ./darknet detect cfg/yolov3-tiny.cfg yolov3-tiny.weights data/dog.jpg
   
10. layer     filters    size              input                output
    
11.     0 conv     16  3 x 3 / 1   416 x 416 x   3   ->   416 x 416 x  16  0.150 BFLOPs
    
12.     1 max          2 x 2 / 2   416 x 416 x  16   ->   208 x 208 x  16
    
13.     2 conv     32  3 x 3 / 1   208 x 208 x  16   ->   208 x 208 x  32  0.399 BFLOPs
    
14.     3 max          2 x 2 / 2   208 x 208 x  32   ->   104 x 104 x  32
    
15.     4 conv     64  3 x 3 / 1   104 x 104 x  32   ->   104 x 104 x  64  0.399 BFLOPs
    
16.     5 max          2 x 2 / 2   104 x 104 x  64   ->    52 x  52 x  64
    
17.     6 conv    128  3 x 3 / 1    52 x  52 x  64   ->    52 x  52 x 128  0.399 BFLOPs
    
18.     7 max          2 x 2 / 2    52 x  52 x 128   ->    26 x  26 x 128
    
19.     8 conv    256  3 x 3 / 1    26 x  26 x 128   ->    26 x  26 x 256  0.399 BFLOPs
    
20.     9 max          2 x 2 / 2    26 x  26 x 256   ->    13 x  13 x 256
    
21.    10 conv    512  3 x 3 / 1    13 x  13 x 256   ->    13 x  13 x 512  0.399 BFLOPs
    
22.    11 max          2 x 2 / 1    13 x  13 x 512   ->    13 x  13 x 512
    
23.    12 conv   1024  3 x 3 / 1    13 x  13 x 512   ->    13 x  13 x1024  1.595 BFLOPs
    
24.    13 conv    256  1 x 1 / 1    13 x  13 x1024   ->    13 x  13 x 256  0.089 BFLOPs
    
25.    14 conv    512  3 x 3 / 1    13 x  13 x 256   ->    13 x  13 x 512  0.399 BFLOPs
    
26.    15 conv    255  1 x 1 / 1    13 x  13 x 512   ->    13 x  13 x 255  0.044 BFLOPs
    
27.    16 yolo
    
28.    17 route  13
    
29.    18 conv    128  1 x 1 / 1    13 x  13 x 256   ->    13 x  13 x 128  0.011 BFLOPs
    
30.    19 upsample            2x    13 x  13 x 128   ->    26 x  26 x 128
    
31.    20 route  19 8
    
32.    21 conv    256  3 x 3 / 1    26 x  26 x 384   ->    26 x  26 x 256  1.196 BFLOPs
    
33.    22 conv    255  1 x 1 / 1    26 x  26 x 256   ->    26 x  26 x 255  0.088 BFLOPs
    
34.    23 yolo
    
35. Loading weights from yolov3-tiny.weights...Done!
    
36. data/dog.jpg: Predicted in 0.873869 seconds.
    
37. dog: 57%
    
38. car: 52%
    
39. truck: 56%
    
40. car: 62%
    
41. bicycle: 59%
    
42. zhaomeijing@raspberrypi5:~/workspace/04_yolo/darknet$ ./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg
    
43. layer     filters    size              input                output
    
44.     0 conv     32  3 x 3 / 1   608 x 608 x   3   ->   608 x 608 x  32  0.639 BFLOPs
    
45.     1 conv     64  3 x 3 / 2   608 x 608 x  32   ->   304 x 304 x  64  3.407 BFLOPs
    
46.     2 conv     32  1 x 1 / 1   304 x 304 x  64   ->   304 x 304 x  32  0.379 BFLOPs
    
47.     3 conv     64  3 x 3 / 1   304 x 304 x  32   ->   304 x 304 x  64  3.407 BFLOPs
    
48.     4 res    1                 304 x 304 x  64   ->   304 x 304 x  64
    
49.     5 conv    128  3 x 3 / 2   304 x 304 x  64   ->   152 x 152 x 128  3.407 BFLOPs
    
50.     6 conv     64  1 x 1 / 1   152 x 152 x 128   ->   152 x 152 x  64  0.379 BFLOPs
    
51.     7 conv    128  3 x 3 / 1   152 x 152 x  64   ->   152 x 152 x 128  3.407 BFLOPs
    
52.     8 res    5                 152 x 152 x 128   ->   152 x 152 x 128
    
53.     9 conv     64  1 x 1 / 1   152 x 152 x 128   ->   152 x 152 x  64  0.379 BFLOPs
    
54.    10 conv    128  3 x 3 / 1   152 x 152 x  64   ->   152 x 152 x 128  3.407 BFLOPs
    
55.    11 res    8                 152 x 152 x 128   ->   152 x 152 x 128
    
56.    12 conv    256  3 x 3 / 2   152 x 152 x 128   ->    76 x  76 x 256  3.407 BFLOPs
    
57.    13 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
    
58.    14 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
    
59.    15 res   12                  76 x  76 x 256   ->    76 x  76 x 256
    
60.    16 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
    
61.    17 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
    
62.    18 res   15                  76 x  76 x 256   ->    76 x  76 x 256
    
63.    19 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
    
64.    20 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
    
65.    21 res   18                  76 x  76 x 256   ->    76 x  76 x 256
    
66.    22 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
    
67.    23 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
    
68.    24 res   21                  76 x  76 x 256   ->    76 x  76 x 256
    
69.    25 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
    
70.    26 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
    
71.    27 res   24                  76 x  76 x 256   ->    76 x  76 x 256
    
72.    28 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
    
73.    29 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
    
74.    30 res   27                  76 x  76 x 256   ->    76 x  76 x 256
    
75.    31 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
    
76.    32 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
    
77.    33 res   30                  76 x  76 x 256   ->    76 x  76 x 256
    
78.    34 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
    
79.    35 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
    
80.    36 res   33                  76 x  76 x 256   ->    76 x  76 x 256
    
81.    37 conv    512  3 x 3 / 2    76 x  76 x 256   ->    38 x  38 x 512  3.407 BFLOPs
    
82.    38 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
    
83.    39 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
    
84.    40 res   37                  38 x  38 x 512   ->    38 x  38 x 512
    
85.    41 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
    
86.    42 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
    
87.    43 res   40                  38 x  38 x 512   ->    38 x  38 x 512
    
88.    44 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
    
89.    45 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
    
90.    46 res   43                  38 x  38 x 512   ->    38 x  38 x 512
    
91.    47 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
    
92.    48 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
    
93.    49 res   46                  38 x  38 x 512   ->    38 x  38 x 512
    
94.    50 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
    
95.    51 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
    
96.    52 res   49                  38 x  38 x 512   ->    38 x  38 x 512
    
97.    53 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
    
98.    54 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
    
99.    55 res   52                  38 x  38 x 512   ->    38 x  38 x 512
    
100.    56 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
     
101.    57 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
     
102.    58 res   55                  38 x  38 x 512   ->    38 x  38 x 512
     
103.    59 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
     
104.    60 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
     
105.    61 res   58                  38 x  38 x 512   ->    38 x  38 x 512
     
106.    62 conv   1024  3 x 3 / 2    38 x  38 x 512   ->    19 x  19 x1024  3.407 BFLOPs
     
107.    63 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
     
108.    64 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
     
109.    65 res   62                  19 x  19 x1024   ->    19 x  19 x1024
     
110.    66 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
     
111.    67 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
     
112.    68 res   65                  19 x  19 x1024   ->    19 x  19 x1024
     
113.    69 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
     
114.    70 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
     
115.    71 res   68                  19 x  19 x1024   ->    19 x  19 x1024
     
116.    72 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
     
117.    73 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
     
118.    74 res   71                  19 x  19 x1024   ->    19 x  19 x1024
     
119.    75 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
     
120.    76 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
     
121.    77 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
     
122.    78 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
     
123.    79 conv    512  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 512  0.379 BFLOPs
     
124.    80 conv   1024  3 x 3 / 1    19 x  19 x 512   ->    19 x  19 x1024  3.407 BFLOPs
     
125.    81 conv    255  1 x 1 / 1    19 x  19 x1024   ->    19 x  19 x 255  0.189 BFLOPs
     
126.    82 yolo
     
127.    83 route  79
     
128.    84 conv    256  1 x 1 / 1    19 x  19 x 512   ->    19 x  19 x 256  0.095 BFLOPs
     
129.    85 upsample            2x    19 x  19 x 256   ->    38 x  38 x 256
     
130.    86 route  85 61
     
131.    87 conv    256  1 x 1 / 1    38 x  38 x 768   ->    38 x  38 x 256  0.568 BFLOPs
     
132.    88 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
     
133.    89 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
     
134.    90 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
     
135.    91 conv    256  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 256  0.379 BFLOPs
     
136.    92 conv    512  3 x 3 / 1    38 x  38 x 256   ->    38 x  38 x 512  3.407 BFLOPs
     
137.    93 conv    255  1 x 1 / 1    38 x  38 x 512   ->    38 x  38 x 255  0.377 BFLOPs
     
138.    94 yolo
     
139.    95 route  91
     
140.    96 conv    128  1 x 1 / 1    38 x  38 x 256   ->    38 x  38 x 128  0.095 BFLOPs
     
141.    97 upsample            2x    38 x  38 x 128   ->    76 x  76 x 128
     
142.    98 route  97 36
     
143.    99 conv    128  1 x 1 / 1    76 x  76 x 384   ->    76 x  76 x 128  0.568 BFLOPs
     
144.   100 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
     
145.   101 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
     
146.   102 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
     
147.   103 conv    128  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 128  0.379 BFLOPs
     
148.   104 conv    256  3 x 3 / 1    76 x  76 x 128   ->    76 x  76 x 256  3.407 BFLOPs
     
149.   105 conv    255  1 x 1 / 1    76 x  76 x 256   ->    76 x  76 x 255  0.754 BFLOPs
     
150.   106 yolo
     
151. Loading weights from yolov3.weights...Done!
     
152. data/dog.jpg: Predicted in 21.122667 seconds.
     
153. dog: 100%
     
154. truck: 92%
     
155. bicycle: 99%
     
156. zhaomeijing@raspberrypi5:~/workspace/04_yolo/darknet$

复制代码

2.2        测试结果展示及分析

yolov3-tiny测试结果：

yolov3测试结果：

序号	名称	精度	时间（单位：秒）
1	yolov3-tiny	低	快：0.873869
2.	yolov3	高	慢：21.122667

通过测试结果可以得知yolov3的精度更高但是耗时，yolov3-tiny的速度最快但是精度不高。

//------end