• darknet/：darknet 根目录，可完全独立使用
  
  • cfg/：各版本网络
    
    • ...
    • building_v3.cfg：本系统采用的复杂版的网络配置
      
    • building_v3_tiny.cfg：本系统采用的简版(v3-tiny)的网络配置
      
    • ...
  • data/VOCdevkit/building2018/ : 本系统的训练数据集，不提供，需要请 issues 私信
  • ...
  • weights/: 训练好的模型文件,文件不提供，需要请 issues 私信
    • building_v3.weights：对应 building_v3.cfg 训练出的复杂模型/权重文件
    • building_v3_tiny.weights：对应 building_v3_tiny.cfg 训练出的简版(v3-tiny)模型/权重文件
  • ...
• bin/: build 后的可执行文件
  
  • ...
    
  • Guone/：Guone
    
  • pylint/：使用 pylint 静态检查代码
    
  • gunicorn/：http server
    
  • buildout/：构建工具
    
• eggs/: 依赖的包
  
• ...
• forms/：所用表单
  
• models/：数据模型
  
• static/：静态文件
  
• scripts/：脚本文件，图像分类模式的计算模块
  
• templates/：HTML
  
• views/：路由、视图
  
• tests/：供识别的测试图片
  
  • 1/：模式1（图像分类）的测试图片
    
  • 2/：模式2（目标检测）的测试图片
    
• config.py：相关配置
  
• app.py： app
  
• setup.py：构建文件
  
• buildout.cfg：配置文件
  
• versions.cfg： versions
  

使用命令：

git clone https://github.com/acthse/Guone.git you_path

然后：

git submodule init
git submodule update

或者使用 --recursive 也 OK 滴：

git clone --recursive https://github.com/acthse/Guone.git you_path

下载完成后，进入 Guone 构建项目：

cd Guone/
buildout

如果你没有安装 buildout 可使用 pip 安装：

pip install zc.buildout

构建完成后，启动 Guone:

./bin/Guone

或者通过以下命令来指定开启的进程数，监听端口等来启动：

./bin/gunicorn -w 1 -b 0.0.0.0:8004 app:app -k gevent

[2018-06-07 19:33:02 +0800] [9928] [INFO] Starting gunicorn 19.8.1
[2018-06-07 19:33:02 +0800] [9928] [INFO] Listening at: http://0.0.0.0:8004 (9928)
[2018-06-07 19:33:02 +0800] [9928] [INFO] Using worker: gevent
[2018-06-07 19:33:02 +0800] [9931] [INFO] Booting worker with pid: 9931

访问 http://localhost:8004 即可看到系统的登录界面使用 Guone，但因为 Guone 依赖 darknet 框架 和 VLFeat 工具包，所以你需要安装完成 darknet 并下载配置 VLFeat工具包后才能正常使用，下面介绍安装方法。

darknet 是一个用 C 和 CUDA 编写的相当不错的开源神经网络框架，这是作者的darknet主页。

关于安装和使用，请阅读 darknet 主页的 Installing Darknet 和 YOLO: Real-Time Object Detection，有详细介绍。
你需要在你的机子上根据你的需要以及硬件条件决定是否安装 OpenCV 和 CUDA，安装完成后，在 MakeFile 中修改相关选项。因为我的代码已经编译过，你需要进入 darknet 目录执行：

meke clean

然后重新编译完成即可使用：

meke -j16

站在大神的肩膀上，一切都变得很简单。

采用本系统训练好的模型（当然你也可以下载官网给出的其他模型）进行测试，命令如下（windows 下使用 darknet.exe 即可）

1. building_v3.cfg 复杂版网络

./darknet detector test cfg/building.data cfg/building_v3.cfg weights/building_v3.weights test_image_path

2. building_v3_tiny.cfg 简版网络，速度比上面的快10多倍，检测效果略差。

./darknet detector test cfg/building.data cfg/building_v3_tiny.cfg weights/building_v3_tiny.weights test_image_path

3. 开启摄像头实时检测，需要在编译时开启 CUDA 和 opencv,不用-c指定摄像头时 opencv 默认为 0。

./darknet detector demo cfg/building.data cfg/building_v3.cfg weights/building_v3.weights [ -c <num> ]

4. 检测本地视频文件，至少需要在编译时开启 opencv。

./darknet detector demo cfg/building.data cfg/building_v3.cfg weights/building_v3.weights test_video_file_path

如果测试成功，则说明你已经成功安装并可以使用 darknet 框架了。

关于安装opencv ，各操作系统不相同，推荐 使用 Google 或者 必应搜索国际版 搜索关键字 opencv3 install on your_system 来找到靠谱的教程。
笔者 mac os 系统安装，推荐这篇教程。
安装成功opencv 后，在 MakeFile 中令：

OPENCV = 1

遇到问题：

gcc -Iinclude/ -Isrc/ -DOPENCV pkg-config --cflags opencv -Wall -Wno-unknown-pragmas -Wfatal-```
errors -fPIC -Ofast -DOPENCV -c ./src/gemm.c -o obj/gemm.o
In file included from /usr/local/include/opencv2/core/types_c.h:59:0,
from /usr/local/include/opencv2/core/core_c.h:48,
from /usr/local/include/opencv2/highgui/highgui_c.h:45,
from include/darknet.h:25,
from ./src/utils.h:5,
from ./src/gemm.c:2:
/usr/local/include/opencv2/core/cvdef.h:485:1: error: unknown type name ‘namespace’
namespace cv {
^~~~~~~~~
compilation terminated due to -Wfatal-errors.
Makefile:85: recipe for target 'obj/gemm.o' failed
make: *** [obj/gemm.o] Error 1

这也是笔者在使用opencv编译所遇到的问题，可参考这里解决。

本系统在传统图像分类模式中图像特征的提取（计算图像sift特征值）使用了开源工具包VLFeat提供的二进制文件，获取我要工具包。该工具包支持主流的（windows, Mac, Linux）操作系统，下载好工具包后，我们只需要 sift 的可执行文件，将其在系统中的配置：

在scripta/sift.py 的方法 process_image()中的cmmd给出 sift 可执行文件的位置即可。

buildout 是一个基于 Python 的构建工具, 通过一个配置文件，可以从多个部分创建、组装并部署你的应用，即使应用包含了非 Python 的组件，buildout 也能够胜任。 buildout 不但能够像 setuptools 一样自动更新或下载安装依赖包，而且还能够像 virtualenv 一样，构建一个封闭隔离的开发环境。

开发过程中如果需要添加依赖，只需要在 setup.py 中的 install_requires 中添加你的包名，然后 buildout 一下即可。

本系统的有两种模式，其中主要介绍实时目标识别 Yolo(darknet) 关于自己数据集的训练。

训练过程步骤细节较多，需细心关注，大致可以分为以下阶段：

1. 数据准备，采集图像数据，预处理等；
2. 标注，推荐使用LabelImg；

该工具在 linux 和 windows 下安装极为简单，mac os 下很难，作者的 github 上有说明。标注是一个体力活，数据集量大的话，也不要急，慢慢来呗。

3. 理解并修改 darknet/scripts/voc_label.py，并用其将标注产生的 xml 文件转换成 yolo 需要的格式；
4. 配置你想采用的网络，本系统使用了 yolov3-voc.cfg 和 yolov3-tiny.cfg两个版本 ；
5. 准备你的 pro_name.data；
6. 下载预训练模型/权重文件，开始训练，命令如下：

./darknet detector train cfg/your_pro_name.data cfg/your_pro_name.cfg [预训练模型] [-gpus 0,1,2,3]

这里墙裂推荐使用GPU，没有条件的可以瞅瞅极客云，不是打广告，笔者就是用的这个，觉着很好用，方便性，价比高。CPU的话，额，等的你花儿都谢了。

7. 测试你的模型/权重文件。

具体过程可以参考这篇博文。
这是 yolov2 的训练过程，与 yolov3 的训练过程主要相差在网络文件的修改配置，v3可看这篇博文。

图像分类模式的本地图像库训练方法很简单：依次使用脚本

• scripts/savevocab.py 图像训练
  
• scripts/buildindex.py 建库创索引/存储库
  
• scripts/query.py(可选) 查询测试
  

此部分图像处理参考自《Python计算机视觉编程》