版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/weixin_39198406/article/details/83931727
本文总结了使用yolo过程中出现的一些问题，在网络上找到了相关的解决方案。
1 使用darknet.py预测位置不准
1.1 使用python调用darknet
一般来说，模型训练好了，也可以使用shell命令进行预测了，下一步该在业务里面使用别的语言来调用了，我们这里使用python来调用yolo模型。
为了提高识别效率，当然不能直接在python里面来调用shell，这样的话每次调用都会重新加载一次模型，你想想有多慢？
darknet官方项目提供了python调用yolo模型的示例，也就是使用python与C交互，加载模型后就可以进行预测了，最后返回预测的坐标（其实返回的是中心点坐标和box的高宽）。
我们直接看到最后的代码部分：
if __name__ == "__main__":
#net = load_net("cfg/densenet201.cfg", "/home/pjreddie/trained/densenet201.weights", 0)
#im = load_image("data/wolf.jpg", 0, 0)
#meta = load_meta("cfg/imagenet1k.data")
#r = classify(net, meta, im)
#print r[:10]
net = load_net("cfg/tiny-yolo.cfg", "tiny-yolo.weights", 0)
meta = load_meta("cfg/coco.data")
r = detect(net, meta, "data/dog.jpg")
print r
我们只需要在load_net，load_meta里面填上相关参数，最后调用detect方法就可以进行识别了。
当然，我们可以在一个web项目中，提前把load_net，load_meta加载好，最后每次调用api的时候，执行detect方法就可以了。
1.2 darknet.py的结果不准
上面也提到了，python调用模型后返回的结果是并不是预测的box四个点的坐标，而是中心点坐标和box的高宽。
从detect函数里面的这一段代码可以看出来(b.x, b.y, b.w, b.h)：
res = []
for j in range(num):
for i in range(meta.classes):
if dets[j].prob[i] > 0:
b = dets[j].bbox
res.append((meta.names[i], dets[j].prob[i], (b.x, b.y, b.w, b.h)))
得到中心点坐标和box高宽后，经过简单的计算，就可以得到四个角点的坐标了
# 结果r是四个元素的数组 (中心点x，中心点y，宽，高)
x, y, w, h = r
a = x - (h/2)
c = x + (h/2)
b = y - (w/2)
d = y + (w/2)
2 使用python3执行darknet.py
你可能发现了，darknet.py用python3执行会报错ctypes.ArgumentError。
Traceback (most recent call last):
File "python/darknet.py", line 151, in <module>
net = load_net("cfg/tiny-yolo.cfg", "tiny-yolo.weights", 0)
ctypes.ArgumentError: argument 1: <class 'TypeError'>: wrong type
解决方案如下：把配置相关的参数使用bytes类型传入，而不是string
net = load_net("cfg/tiny-yolo.cfg".encode('utf-8'), "tiny-yolo.weights".encode('utf-8'), 0)
meta = load_meta("cfg/coco.data".encode('utf-8'))
r = detect(net, meta, "data/dog.jpg".encode('utf-8'))
现在就可以使用python3执行了~
更多
实现加载模型、坐标预测工作后，接下来是标记图片、切割图片、预测分类和接口开发等工作。后续有空会把demo贴上来。