原本打算在搭载Ubuntu18.04的智能小车上面运行使用darknet_ros
包来进行yolov3的检测，但是运行过程中遇到了不少问题，从头到尾部的运行包括遇到的解决方法以及对应的文章一并列出，免得到处查找。
首先是在ROS下实现darknet_ros(YOLO V3)检测
参考文章
https://blog.csdn.net/qq_42145185/article/details/105730256
一. 代码下载
代码Github主页：https://github.com/leggedrobotics/darknet_ros
下载命令：
mkdir -p catkin_workspace/src
cd catkin_workspace/src
git clone --recursive [email protected]:leggedrobotics/darknet_ros.git
cd ../
下载时间可能比较长，请耐心等待…
如果下载的Ubuntu系统不支持从gitthub上面直接爬取代码，可以转换下载方式来进行下载。点击GitHub里的clone，下拉可以选择ssh以及https两种模式加载。这个时候只需要转换git clone代码即可。
通过ssh
git clone --recursive [email protected]:mirrors/leggedrobotics/darknet_ros.git
通过https
git clone --recursive https://gitcode.net/mirrors/leggedrobotics/darknet_ros.git
下载可能遇到的其他问题可以参考这篇文章中下载darknet_ros包的章节
http://t.csdn.cn/hPQyd
其中，因为是移动到搭载Ubuntu的小车上面，所以直接通过win11下载，然后通过u盘移动到小车内部Ubuntu系统，这种移动过程中文件可能会有缺少损坏导致后期运行报错，所以不建议。最好是直接通过上述方法直接下载，不能通过下载GitHub的zip等各种压缩包来使用。
比如说
启动yolo3检测摄像头看到的物体
roslaunch darknet_ros darknet_ros.launch
报错
这个错误大概率是因为将这个包从windows移动到ubuntu上过后，有些cfg文件识别不到。
回到/home/xx/catkin_ws/src/darknet_ros目录下，打开终端，执行
git stash
再重新运行一次即可。
二. 编译
在ROS工作空间目录下，执行命令：
catkin_make -DCMAKE_BUILD_TYPE=Release
此时会开始编译整个项目，编译完成后会检查{catkin_ws}/darknet_ros/darknet_ros/yolo_network_config/weights文件下有没有yolov2-tiny.weights和yolov3.weights两个模型文件，默认下载好的代码里面为了节省体积是不带这两个模型文件的。因此编译之后会自动开始下载模型文件，此时又是一段漫长的等待时间。
如果刚好你之前已经下载好了模型文件，那就好了，在开始编译之前就把模型文件拷贝到上述文件夹下，就不会再次下载了。
下载链接：
https://pjreddie.com/media/files/yolov2.weights
https://pjreddie.com/media/files/yolov2-tiny.weights
https://pjreddie.com/media/files/yolov3.weights
https://pjreddie.com/media/files/yolov3-tiny.weights
将下载文件放入/darknet_ros/darknet_ros/yolo_network_config/weights文件中
继续
catkin_make -DCMAKE_BUILD_TYPE=Release
3.图像话题发布
因为darknet_ros会直接订阅指定的图像话题名，然后对图像进行检测，绘制检测框，并发布相应的检测话题，因此首先需要找一个能够发布图像话题的ROS包，这里推荐使用ROS官方提供的usb_cam驱动包，可以直接将电脑自带摄像头或连接电脑的USB摄像头采集的图像发布为ROS图像话题。
下载摄像头驱动：
sudo apt-get install ros-kinetic-usb-cam
下载摄像头驱动，有的时候自己的操作系统未必是kinetic的版本，所以需要通过终端命令查询自己的ros版本。
rosversion -d
如果是melodic版本就使用：
sudo apt-get install ros-kinetic-usb-cam
然后发布摄像头图像话题：
roslaunch usb_cam usb_cam-test.launch
如果顺利的话应该可以看到实际的图像显示界面。
3.启动摄像头测试节点
报错1
在输入以下测试启动命令后，出现了报错。
解决方法
1.摄像头接口插入USB3.0试试。
USB3.0，USB3.0又称为SuperSpeed USB总线，与高速（High Speed）USB2.0总线相比，其传输速度更快。
2.其次如下图所示一定要有勾选上才行，不然说明未连接相机。
报错2
解决办法：
sudo apt-get install ros-melodic-image-view
报错3
设置usb设备勾选上ubs3即可
然后就是运行darknet_ros
然后执行darknet_ros进行检测，在运行检测之前需要更改一下配置文件，使得darknet_ros订阅的话题与usb_cam发布的图片话题对应。
打开darknet_ros/config/ros.yaml文件，找到：
将camera_reading中的topic修改为上图所示，即：
subscribers:
camera_reading:
topic: /usb_cam/image_raw
queue_size: 1
然后回到darknet的工作空间根目录，执行：
source devel/setup.bash
roslaunch darknet_ros darknet_ros.launch
我们只需要把预训练集换成YOLO v3的来检测就可以了，更换如下：找到config文件可以看到如下的训练集
打开launch文件
修改 darknet_ros.launch
arg name="network_param_file" default="$(find darknet_ros)/config/yolov2-tiny.yaml"/
改为
arg name="network_param_file" default="$(find darknet_ros)/config/yolov3.yaml"/
如下：
然后重新启动：
roslaunch darknet_ros darknet_ros.launch
差不多就可以实现了，然后基本上上述错误都是从以下这些参考文章找到的解决办法。
ROS下实现darknet_ros(YOLO V3)检测
https://blog.csdn.net/qq_42145185/article/details/105730256
小车yolo机械臂（一）ros下gazebo搭建小车（可键盘控制）安装摄像头仿真 加载yolo检测识别标记物体
https://blog.csdn.net/WhiffeYF/article/details/109187804
ROS学习（三）调用笔记本和usb外接摄像头
https://blog.csdn.net/m0_56451176/article/details/126174060?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522169020102516800227494294%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=169020102516800227494294&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-2-126174060-null-null.142^v91^insert_down1,239^v3^control&utm_term=sudo%20apt-get%20install%20ros-melodic-usb-cam&spm=1018.2226.3001.4187
ROS下使用摄像头
https://blog.csdn.net/wilylcyu/article/details/51732710
在ROS中开启摄像头_详细步骤
https://blog.csdn.net/weixin_41074793/article/details/83474501?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_utm_term-0&spm=1001.2101.3001.4242
ROS学习笔记-在ROS中连接USB摄像头
https://blog.csdn.net/weixin_51244852/article/details/116169460?ops_request_misc=&request_id=&biz_id=102&utm_term=sudo%20apt-get%20install%20ros-melod&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-3-116169460.142^v91^insert_down1,239^v3^control&spm=1018.2226.3001.4187
ROS下使用usb_cam驱动读取摄像头数据
https://blog.csdn.net/Yangxiaoaijiejie/article/details/127061479?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522169020121616800227474354%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=169020121616800227474354&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_ecpm_v1~rank_v31_ecpm-2-127061479-null-null.142^v91^insert_down1,239^v3^control&utm_term=%E5%AE%89%E8%A3%85ROS_USB%E9%A9%B1%E5%8A%A8%E6%8A%A5%E9%94%99&spm=1018.2226.3001.4187
这里给一个使用yolov3的报错解释，因为darknet_ros.launch文件里面有不同的launch文件，如果使用以下命令。
roslaunch darknet_ros yolov3.launch
可能会报错缺少yolov3-tiny.cfg文件，找不到这个文件，就需要手动新建一个.cfg的文件粘贴。
这个文件连接有中文注释可能报错，以下是整理好的代码，自行参考。
https://blog.csdn.net/weixin_44152895/article/details/106570976?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522169027884416800222821030%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=169027884416800222821030&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_ecpm_v1~rank_v31_ecpm-26-106570976-null-null.142^v91^insert_down1,239^v3^control&utm_term=yolov3-tiny.cfg%E4%B8%8B%E8%BD%BD&spm=1018.2226.3001.4187
[net]
# Testing
batch=1
subdivisions=1
# Training
# batch=64
# subdivisions=2
width=416
height=416
channels=3
momentum=0.9
decay=0.0005
angle=0
saturation = 1.5
exposure = 1.5
hue=.1
learning_rate=0.001
burn_in=1000
max_batches = 500200
policy=steps
steps=400000,450000
scales=.1,.1
[convolutional]
batch_normalize=1
filters=16
size=3
stride=1
pad=1
activation=leaky
[maxpool]
size=2
stride=2
[convolutional]
batch_normalize=1
filters=32
size=3
stride=1
pad=1
activation=leaky
[maxpool]
size=2
stride=2
[convolutional]
batch_normalize=1
filters=64
size=3
stride=1
pad=1
activation=leaky
[maxpool]
size=2
stride=2
[convolutional]
batch_normalize=1
filters=128
size=3
stride=1
pad=1
activation=leaky
[maxpool]
size=2
stride=2
[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky
[maxpool]
size=2
stride=2
[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky
[maxpool]
size=2
stride=1
[convolutional]
batch_normalize=1
filters=1024
size=3
stride=1
pad=1
activation=leaky
###########
[convolutional]
batch_normalize=1
filters=256
size=1
stride=1
pad=1
activation=leaky
[convolutional]
batch_normalize=1
filters=512
size=3
stride=1
pad=1
activation=leaky
[convolutional]
size=1
stride=1
pad=1
filters=255
activation=linear
[yolo]
mask = 3,4,5
anchors = 10,14, 23,27, 37,58, 81,82, 135,169, 344,319
classes=80
num=6
jitter=.3
ignore_thresh = .7
truth_thresh = 1
random=1
[route]
layers = -4
[convolutional]
batch_normalize=1
filters=128
size=1
stride=1
pad=1
activation=leaky
[upsample]
stride=2
[route]
layers = -1, 8
[convolutional]
batch_normalize=1
filters=256
size=3
stride=1
pad=1
activation=leaky
[convolutional]
size=1
stride=1
pad=1
filters=255
activation=linear
[yolo]
mask = 0,1,2
anchors = 10,14, 23,27, 37,58, 81,82, 135,169, 344,319
classes=80
num=6
jitter=.3
ignore_thresh = .7
truth_thresh = 1
random=1