YOLO官方架構使用C寫的，性能杠杠的，YOLO算法，我就不做過多介紹了。先簡單介紹一下這個架構如何使用。這裡預設是yolo2，yolo1接近過時。
環境 推薦ubuntu 或者centos
YOLO是一個近實時的架構，在1核cpu下，對一張圖檔的識别大概在6s-12s之間，其實還是在沒有緩存的環境下運作的，如果是在攝像頭實時采集識别估計也能達到10s左右的處理速度。如果用GPU來處理，當然時間短很多了。在看官網的資訊時，有些名詞看不太懂，但号稱在titanX 上的處理速度是每秒40-60張圖檔，識别精度為78.6% ；在coco 開發測試集上的voc 2007 上的識别精度為48.1%。這樣看來，速度确實很快。
在https://www.youtube.com/上有yolo攝像頭實時識别的視訊，你可以上去搜尋，對于國内的高牆，略表無奈。
1，YOLO原理
關于yolo論文相對複雜，要有足夠的耐心去看。這裡位址先貼出來:
https://arxiv.org/abs/1612.08242
2,yolo安裝
1，安裝預備庫
1）安裝git 工具
Yum install git
2）安裝 bunzip2
yum install -y bzip2
3 ) 安裝gcc
yum install "gcc-c++.x86_64"
2，下載下傳安裝包
1）下載下傳安裝包并編譯
git clone https://github.com/pjreddie/darknet
cd darknet
make
2）下載下傳預訓練的超參數，也是權重
wget https://pjreddie.com/media/files/yolo.weights
接下來，我們看一下目錄：
3）執行預測
./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg
data目錄下是圖檔，輸出結果：
圖檔有點重複了，我們看到結果了：
檢測到狗的機率為82%
檢測到車的機率為28*，其實沒有車
檢測到kache的機率為64%
檢測到自行車的機率為85%
當然機率高的是正确，機率低的确實沒有
其實他會生成一張圖檔，并辨別所識别到的物體
Predictions.png 就是生成預測圖
我們看看圖檔：
至此，證明我們已經安裝yolo成功了！
3，圖檔檢測
1）單圖檔檢測
單圖檔檢測，我們的已經示範過了：
./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg
一般服務運作比較慢6s-12s，開啟GPU會快速很多，會生成predictions.png，圖中會辨別出識别的物體。
dog.jpg 就是要檢測的圖檔，可以換成其餘的試試。
2）多圖檔檢測
./darknet detect cfg/yolo.cfg yolo.weights
layer filters size input output
0 conv 32 3 x 3 / 1 416 x 416 x 3 -> 416 x 416 x 32
1 max 2 x 2 / 2 416 x 416 x 32 -> 208 x 208 x 32
.......
29 conv 425 1 x 1 / 1 13 x 13 x1024 -> 13 x 13 x 425
30 detection
Loading weights from yolo.weights ...Done!
Enter Image Path: 多圖檔檢測跟單圖檔檢測是差不多的，隻是會不斷的提示你輸入圖檔路徑進行檢測
你可以data/hourses.jpg，
檢測完，他繼續提示你繼續輸入圖檔路徑：
終止輸入：ctrl + c 就可以退出
3）設定檢測的視窗的門檻值
這個一般沒有必要設定，預設門檻值是在.25或者以上，當可以通過
-thresh <val> 來設定，如果設定為0，則：
./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg -thresh 0
結果為：
這是完全沒有必要的。
4，tiny yolo
Tiny yolo 是更快的yolo模型，但是準确度很低下，可以慎重考慮使用，參考連結為：
https://pjreddie.com/darknet/imagenet/#reference
你可以試着去用tiny的權重voc集去測試一下：
wget https://pjreddie.com/media/files/tiny-yolo-voc.weights
./darknet detector test cfg/voc.data cfg/tiny-yolo-voc.cfg tiny-yolo-voc.weights data/dog.jpg 雖然精度差了，但是處理速度高度200張每秒
5，通過攝像頭實時監測
通過攝像頭實時監測識别，這樣可以實時檢視測試的結果是怎麼樣的，但是需要相應的裝置來支援，硬體必須有攝像頭，同時還要編譯CUDA和OPENCV,可以執行以下的指令：
./darknet detector demo cfg/coco.data cfg/yolo.cfg yolo.weights 這樣就會在展示每一幀上辨別出識别的物體。
需要用openv連接配接到你電腦的攝像頭上，攝像頭是否能用不是很大問題；如果你有多個攝像頭的話，就必須指定一個攝像頭：-c <num> 預設為0 第一攝像頭。
如果你有video檔案，openCV能夠讀取video的話，那麼可以：
./darknet detector demo cfg/coco.data cfg/yolo.cfg yolo.weights <video file> 可以動态監測，這裡建議去翻一下牆，在youtube 看看yolo的視訊。