继caffe-fasterrcnn后，又一个yolo-darknet的配置教程，希望可以帮助大家。
注意：
1、请严格按照我提供的安装顺序安装，即ubuntu-opencv2.4.10-darknet-cuda7.5-darknet-test
2、有些您复制的终端命令如果不能在终端运行，请注意英文全角半角问题，您可以将命令输入终端，无须复制粘贴命令
第一部分：Ubuntu14.04桌面版下载及安装
Ubuntu14.04桌面版下载地址：(链接：http://pan.baidu.com/s/1bnHkmy密码：3o4m)
安装步骤：
1、制作u盘启动盘，工具UltraISO(下载地址：http://rj.baidu.com/soft/detail/11522.html?ald)、安装成功后运行，点击软件上的“继续试用”(适用可以满足要求)、按网上步骤制作。
2、u盘启动盘插入电脑usb1孔，运用电脑启动ctrl+F12里的bios设置为u盘启动。
3、进入安装界面，左边选择中文，右边点击安装(不是试装)，联网时选择添加“安装这个第三方软件”(不良网就不用添加)，点击继续，安装ubuntu点击现在安装，城市默认，键盘布局默认，输入名字和密码，点击继续，显示安装，安装后点击重启。
4、重启时等显示器黑屏u盘拔出(一定要拔出，不然会再次进入ubuntu安装界面)，等待输入密码界面，最后输入密码，登录成功，出现界面。
第二部分：安装opencv2.4.10 (需要联网)
下载地址：http://download.csdn.net/detail/samylee/9467058
进入Ubuntu/2.4 目录, 给所有shell脚本加上可执行权限，即在终端输入命令：
chmod a+x *.sh
进入2.4目录，在终端输入：
sudo ./opencv2_4_10.sh
至此系统会编译并安装OpenCV2.4.10，整个过程大概半小时左右，请耐心等待。
第三部分：安装darknet
1、安装git
终端输入：sudo apt-get install git
2、安装darknet
在主文件下终端输入(即/home/***(您的服务器名字)这个目录)：
git clone http://github.com/pjreddie/darknet.git
cd darknet
修改makefile文件：
开头部分令opencv=1，同时令NVCC = /usr/local/cuda-7.5/bin/nvcc后保存退出
终端输入：make -j16
【linux下运行yolo,ubuntu下yolo-darknet配置安装与测试】第四部分：安装cuda7.5
cuda7.5下载地址：https://developer.nvidia.com/cuda-downloads(下载顺序 Linux-*84_64-Ubuntu-14.04-deb(local)-Download(1.9GB))
安装步骤(过程需要联网)：
下载好后拷贝到“主文件夹”下，即/home/***(您的服务器名字)这个目录，并用终端在此目录输入代码：
sudo dpkg -i cuda-repo-ubuntu1404-7-5-local_7.5-18_amd64.deb 等待完成；
sudo apt-get update 等待完成；
sudo apt-get install cuda等待完成。
第五部分：再次修改darknet
进入darknet文件夹修改makefile文件夹：
令开头cpu=1，保存退出
终端输入：
cd darknet
make -j16
至此darknet配置完成。
第六部分：下载模型
下载yolo-tiny.weight模型，地址：http://pjreddie.com/darknet/yolo/，打开网页在A Tiny Model下点击here(172MB)，即可下载
下载yolo-samaller.weight和yolo.weight模型类似
下载完成后均放在darknet目录下
第七部分：测试yolo-darknet
测试tiny模型，将/darknet/data/文件夹下的dog.jpg图片复制于darknet文件夹下
终端输入：
./darknet yolo test cfg/yolo-tiny.cfg yolo-tiny.weight
如果终端显示NO such file or directory
则在darknet目录的终端下输入:
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
再在此目录下输入：
./darknet yolo test cfg/yolo-tiny.cfg yolo-tiny.weight
终端会出现Enter Image Path一行，在后面输入dog.jpg即可
显示结果为屏幕显示两张测试图片，一张为resized，一张为prediction，如后续图所示。
至此测试部分结束，测试yolo-samaller.weight和yolo.weight模型类似操作，在此不做展示
resize图如下：
文章图片
prediction图如下：
文章图片
