YOLO 實作 Code

作者：https://medium.com/@07170601

本範例引用自網路程式碼，模型為YOLO V2，基於TensorFlow 2。

YOLO的訓練所需計算量相較於基礎的基於MLP的MNIST，擴大了很多。如果不用Colab的GPU加速環境，在本地訓練就需要額外的計算環境。對於擁有NVIDIA獨立顯示卡的電腦，我們可以在上面安裝CUDA、CuDNN和tensorflow-gpu來加速運算。對於M1系列的Mac，在MLP-1這篇文章中的環境搭建方法仍然有效，可以順利對後文的程式碼進行加速。

首先，我們需要在網路上搜尋CUDA 11.0和CuDNN 8。我們需要切記一點：CUDA和CuDNN的版本其實是需要嚴格對應的。由於我們使用TensorFlow 2，且TensorFlow的版本已經到達2.8，CUDA 11.0和CuDNN 8.1是一個已經經過驗證的組合。CuDNN的下載需要注冊NVIDIA的賬戶。

CuDNN 8.3也可以搭配CUDA 11.0使用；其實只要做到描述中有相應版本即可

最終從NVIDIA網站上下載的結果

首先安裝CUDA。可以不安裝驅動和NVIDIA GeForce Experience。

安裝可以不需要更改位置；早期需要手動設定環境變數，現在安裝程式已經可自動設定了

安裝完CUDA，就需要把CuDNN的文件放到合適的位置。這個位置就在Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0，CUDA根目錄中。CuDNN的壓縮檔中有一個cuda資料夾，進入之後有bin、include、lib這三個資料夾。CUDA根目錄中也有這三個資料夾。我們要做的其實就是把CuDNN壓縮檔中同樣目錄層級的文件放入CUDA根目錄中的相同位置。做完這一步，就可以重開電腦作業系統。一般情況下，TensorFlow的GPU加速環境就搭建完畢。

我們只需要確保tensorflow是GPU版本的即可。如果不是，可以先執行pip uninstall tensorflow，再執行pip install tensorflow-gpu即可。如果沒有GPU可用，tensorflow-gpu可以調用CPU進行計算。以上都是Windows用戶搭建環境的指引。

在執行本次程式之前，我們還需要安裝兩個包：

pip install opencv-python
pip install imgaug

本次程式碼請移步github

GitHub - kiands/tryYOLOv2

提示：需要在根目錄新增一個名叫weights的資料夾，放入yolov2的預訓練權重文件。