1. darknet介绍
物体检测的两个步骤可以概括为：
(1)检测目标位置(生成矩形框)
(2)对目标物体进行分类
物体检测的主流算法框架大致分为one-stage与two-stage。two-stage算法代表的有R-CNN系列，one-stage算法代表的有YOLO系列。按笔者理解，two-stage算法将步骤一与步骤二分开执行，输入图像先经过候选框生成网络(例如faster rcnn中的RPN网络)，再经过分类网络; one-stage算法将步骤一与步骤二同时执行，输入图像只经过一个网络，生成的结果中同时包含位置与类别信息。two-stage与one-stage相比，精度高，但是计算量更大，所以运算较慢。
YOLO特点
(1)YOLO很快，因为用回归的方法，并且不用复杂的框架。
(2)YOLO会基于整张图片信息进行预测，而其他滑窗式的检测框架，只能基于局部图片信息进行推理。
(3)YOLO学到的图片特征更为通用。
YOLOV1算法原理
网络结构：输入图像大小为448×448，经过若干个卷积层与池化层，变为7×7×1024张量，最后经过两层全连接层，输出张量维度为7×7×30，这就是YOLOV1的整个神经网络结构，和一般的卷积物体分类网络没有太多的区别，最大的不同就是：分类网络最后的全连接层，一般连接一个一维向量，向量的不同位代表不同的类别。YOLO的backbone网络结构，受启发于googleNet，也是V2、V3中darknet的先锋。本质上没有什么特别，没有使用BN层，用了一层Dropout。除了最后一层的输出使用了线性激活函数，其他层全部使用Leaky ReLU激活函数。
2. darknet结构
YOLOv3于2018年推出，相较于YOLOv2最大的改进就是网络结构上采用了作者设计的基础框架Darknet-53
3. darknet windows
Windows系统：
大家都知道我们检测图片的语句是：
darknet.exe detector test mydata/obj.data mydata/yolo-obj.cfg backup/yolo.weights -i 0 -thresh 0.25
最后这个0.25就是置信度。代表相似度为0.25及以上的目标都会被标出
修改0.25这个数值 就可以调节框框的目标相似度
视频也是一样的：
darknet.exe detector demo mydata/obj.data mydata/yolo-obj.cfg backup/yolo-obj_7000.weights -ext_output mydata/test.mp4 -thresh 0.25
同样修改0.25
4. darknet网络
yolov5主要是一种目标检测网络，它包含了多层的卷积神经网络，例如经典的vgg或者darknet等
5. darknet怎么用
darknet作为一个较为轻型的完全基于C与CUDA的开源深度学习框架，易安装，没有任何依赖项（OpenCV都可以不用），移植性好，支持CPU与GPU两种计算方式。相比于其它的深度学习框架来说，darknet并没有那么强大，不过确实简单啊：
a.完全由C语言实现，没有任何依赖项，当然可以使用OpenCV，但只是为了更好的可视化；
b.支持CPU（所以没有GPU也不用紧的）与GPU（CUDA/cuDNN，使用GPU当然更好了），个人强烈建议训练时要用GPU哈；
c.因为轻型，所以灵活，适合用来研究底层，可以更为方便的从底层对其进行改进与扩展。