分为两种Windows和Linux，我用的Windows。
初学YOLO,如有问题请留言。
进入到darknetv2根目录，运行下面的命令，
darknet.exe detect ./cfg/yolo.cfg yolo.weights ./data/horses.jpg
结果如下，运行环境，win7+至强E3cpu+750ti大将，左面为GPU版本，右面为CPU版本，
使用cudnn编译后，运行时间，左面为yolo模型，右面为tiny-yolo模型（cudnn版本为v5.1）
和darknetv1相比，很大的区别就是v1原来的模型750M，2G显存的显卡根本跑不起来，现在v2的模型变小，就可以跑起来了，从速度上来看，还是有点慢，和SSD的速度相比，直接差了1半，这里想说一下，为什么论文中写的速度比ssd快，而测试下不是呢？因为上面的测试都是没有使用cudnn，如果使用的这个，速度会快很多。
windows版本的链接大家可以参考，https://github.com/AlexeyAB/darknet
训练篇：
这里假定我要实现一个简单的人脸检测。
（1）首先就是数据集的准备，这里建议使用python+QT开发的抠图小工具，labelImg。
（2）模仿VOC的格式建立相应的文件夹，执行，- tree -d
目录结构显示如下，
其中，my2017为我自己的数据集起的名字，你也可以起别的名字，Annotations存放XML文件，Main中存放，train.txt，val.txt，test.txt，txt中只写图片的名字，一行一个。JPEGImages中存放图片。labels中存放由XML生成的txt文件。
（3）修改scripts下面的voc_label.py，将数据集的目录修改为自己的目录，然后执行
- python voc_label.py
就会生成labels文件夹，以及文件夹下面的txt标记。
（4）修改，cfg/voc.data
class为训练的类别数
train为训练集train.txt
valid为验证集val.txt
names为voc.names，里面为自己训练的目标名称
backup为weights的存储位置
classes= 1
train = /dataSet /2017_train_all.txt
valid = /dataSet /2017_val.txt
names = /opt/darknetv2/data/voc.names
backup = /home/darknet_result_tiny_all/
（5）修改cfg/tiny-yolo.cfg
最后一个卷基层，filters和最后一个region的classes，
其中，filters=num×（classes + coords + 1）=5*(1+4+1)=30，这里我只有1个类别。
（6）执行下面的语句进行训练，
- ./darknet detector train ./cfg/voc.data ./cfg/tiny-yolo.cfg ./darknet19_448.conv.23
训练完毕就可以生成weights文件，
（7）测试，执行下面语句，
- ./darknetdetect ./cfg/tiny-yolo.cfg /home/darknet_result_tiny_all/tiny-yolo_final.weights ./data/jiaoshi.jpg
