机器学习与计算机视觉（darknet编译）

曾经有一段时间，我自己很喜欢阅读代码，但是对编译代码不是很有兴趣。这其实是本末倒置的做法。真正去学一门语言或者一个开源软件，必须去实际操作、实际编译、实际调试才会有收获。看了几十行、几百行的代码，但是不去编译、不用gdb调试一下，得到的知识总是有限的。所以，这里也建议喜欢阅读代码、但是不喜欢debug的同学可以稍微调整一下自己的习惯。

相比较其他的深度学习框架，darknet比较小众。但是darknet结构比较清晰，并且不依赖于第三方框架，可以在多个os上面编译成功。下面，就开始进行编译操作。

1、下载代码

git clone https://github.com/pjreddie/darknet.git

2、编译

cd darknet
make

3、目前支持的平台

我自己在ubuntu和mac上面均编译成功

只是如果需要在ubuntu上面编译成功，需要对Makefile稍作修改

-LDFLAGS= -lm -pthread 
+LDFLAGS= -lm -lpthread

4、不同的cpu进行编译

4.1 用arm编译器进行编译

a，确保当前ubuntu中含有arm的gcc、g++编译器，如果没有也没有关系，

shell> sudo apt-get install gcc-arm-linux-gnueabi
shell> sudo apt-get install g++-arm-linux-gnueabi

b，修改makefile

CC=arm-linux-gnueabi-gcc
CPP=arm-linux-gnueabi-g++

c，剩下来的事情就是直接make就可以了

4.2 用aarch64编译器进行编译

a，确保当前ubuntu中含有aarch64的gcc、g＋＋编译器，如果没有也没有关系

shell> sudo apt-get install gcc-aarch64-linux-gnu
shell> sudo apt-get install g++-aarch64-linux-gnu

b，修改makefile

CC=aarch64-linux-gnu-gcc
CPP=aarch64-linux-gnu-g++

c，后面一样，直接make就可以了

5，其他编译事项

GPU=0
CUDNN=0
OPENCV=0
OPENMP=0
DEBUG=0

除了正常的编译之外，darknet还支持5个基本选项。第一个、第二个都和GPU相关，如果自己机器有nvidia独立显卡，可以看看是否可以用的起来。第三个和opencv相关，如果打开，需要本地有opencv的库。比如，sudo apt-get install libopencv-dev。第四个是一个加速选项，之前在x86用过，不清楚arm是否有效果，但是编译没有出错。第五个就是普通的选项，可以在编译的时候添加一些调试信息。

6、编译的效果

如果编译成功，一般会在根目录生成三个文件，分别是libdarknet.a，libdarknet.so和darknet可执行文件。

7、代码入口点

shell> grep "main" * -R -w
examples/darknet.c:int main(int argc, char **argv)

8、使用darknet

shell>$ ./darknet 

usage: ./darknet <function>

9、下载模型并且执行

shell>$ wget https://pjreddie.com/media/files/tiny.weights
shell>$ ./darknet classify cfg/tiny.cfg tiny.weights data/dog.jpg 
layer     filters    size              input                output
    0 conv     16  3 x 3 / 1   224 x 224 x   3   ->   224 x 224 x  16  0.043 BFLOPs
    1 max          2 x 2 / 2   224 x 224 x  16   ->   112 x 112 x  16
    2 conv     32  3 x 3 / 1   112 x 112 x  16   ->   112 x 112 x  32  0.116 BFLOPs
    3 max          2 x 2 / 2   112 x 112 x  32   ->    56 x  56 x  32
    4 conv     16  1 x 1 / 1    56 x  56 x  32   ->    56 x  56 x  16  0.003 BFLOPs
    5 conv    128  3 x 3 / 1    56 x  56 x  16   ->    56 x  56 x 128  0.116 BFLOPs
    6 conv     16  1 x 1 / 1    56 x  56 x 128   ->    56 x  56 x  16  0.013 BFLOPs
    7 conv    128  3 x 3 / 1    56 x  56 x  16   ->    56 x  56 x 128  0.116 BFLOPs
    8 max          2 x 2 / 2    56 x  56 x 128   ->    28 x  28 x 128
    9 conv     32  1 x 1 / 1    28 x  28 x 128   ->    28 x  28 x  32  0.006 BFLOPs
   10 conv    256  3 x 3 / 1    28 x  28 x  32   ->    28 x  28 x 256  0.116 BFLOPs
   11 conv     32  1 x 1 / 1    28 x  28 x 256   ->    28 x  28 x  32  0.013 BFLOPs
   12 conv    256  3 x 3 / 1    28 x  28 x  32   ->    28 x  28 x 256  0.116 BFLOPs
   13 max          2 x 2 / 2    28 x  28 x 256   ->    14 x  14 x 256
   14 conv     64  1 x 1 / 1    14 x  14 x 256   ->    14 x  14 x  64  0.006 BFLOPs
   15 conv    512  3 x 3 / 1    14 x  14 x  64   ->    14 x  14 x 512  0.116 BFLOPs
   16 conv     64  1 x 1 / 1    14 x  14 x 512   ->    14 x  14 x  64  0.013 BFLOPs
   17 conv    512  3 x 3 / 1    14 x  14 x  64   ->    14 x  14 x 512  0.116 BFLOPs
   18 conv    128  1 x 1 / 1    14 x  14 x 512   ->    14 x  14 x 128  0.026 BFLOPs
   19 conv   1000  1 x 1 / 1    14 x  14 x 128   ->    14 x  14 x1000  0.050 BFLOPs
   20 avg                       14 x  14 x1000   ->  1000
   21 softmax                                        1000
Loading weights from tiny.weights...Done!
data/dog.jpg: Predicted in 0.181403 seconds.
14.51%: malamute
 6.09%: Newfoundland
 5.59%: dogsled
 4.55%: standard schnauzer
 4.05%: Eskimo dog

机器学习与计算机视觉（darknet编译）

猜你喜欢