@Author：Runsen

最近，了解计算机视觉的都知道YOLO 很火，从2016年的v1版本开始到现在的v5，YOLO 是一种实时目标检测算法，算法模型不需要训练，直接用就可以了。YOLO 是英文You Only Look Once的缩写。 You Only Look Once说的是只需要一次CNN运算，Unified指的是这是一个统一的框架，提供end-to-end的预测。

基于Pytorch实现的YOLOV5的官方Github

目前关于目标检测四大开源神器，分别是Detectron2、mmDetection、darknet和SimpleDet。‘

为什么我们需要用darknet，这是因为 YOLO作者自己写的一个深度学习框架叫darknet。所以在行业上darknet的影响力比较大。

Darknet是一个用C和CUDA编写的开源的神经网络框架。安装起来非常快速、简单，并同时支持CPU和GPU。源码托管在github，

darknet和yolo的关系，就像和tensorflow和yolo的关系，torch和yolo的关系一样。你也会听说基于YOLOv4和tensorflow来实现的物体检测。

在这里，我选择基于YOLOv4和Darknet来实现的物体检测。

如果需要准备darknet运行环境：cuda、cudnn， opencv三者很复杂。所以直接使用Google Colab平台，这样会节省很多难度。

Google Colab 是一个免费的 Jupyter 环境，用户可以用它创建 Jupyter notebook，提供免费的 GPU

在这里，我们就开心新建一个Jupyter notebook 点击笔记本左上方的“编辑”，选择GPU

下一步就是克隆和构建Darknet

在官方文档中，有对应的教程来[编译Darknet](，选择是Linux平台

在Linux上进行编译（使用make） 只需make在darknet目录中进行即可。（您可以尝试在Google Colab的云链接中编译并运行它（按左上角的“在操场上打开”按钮）并观看视频链接）制作之前，您可以在Makefile：链接中设置此类选项

这个视频就是本次博文的所有内容。

执行make的过程有点久，但是没有问题。

下一步，下载经过预先训练的YOLOv4权重

YOLOv4已经在coco数据集中进行了训练，该数据集可以预测80个类。 我们将获取这些预训练的权重，以便我们可以在这些预训练的类上运行YOLOv4并进行检测。

下面代码是实现具体的预测和图片上传

当下载完了YOLOv4权重，会在Darknet文件夹中。

Darknet现在已构建，可以在云中使用YOLOv4来运行检测！ 您可以通过单击此处了解预训练的YOLOv4权重可以检测哪些类别

在此，我上传一张学校的图片

感想：感觉Google Colab平台很强大，人工智能领域很高深，还有自己很水，只会用轮子。