原标题：【darknet速成】Darknet图像分类从模型自定义到测试

今天说darknet也是最后一个框架了，本文所用到的数据代码请参考我们官方git

Darknet几乎没有依赖库，是从C和CUDA开始撰写的深度学习开源框架支持CPU和GPU。

咱们的第一个开源框架说的是Caffe现在这最后一个Darknet跟caffe倒是颇有几分相似之处，只是更加轻量级

首先我们看下Darknet的代码结构洳下：

可知这两个文件配套存储了imagenet1000的类别信息。

cfg下面包含两类文件，一个是.data一个是.cfg文件。我们打开imagenet1k.data文件看下可知它配置的就是训练數据集的信息：

另一类就是.cfg文件，我们打开cifar.cfg文件查看

最后的avgpool不需要配置池化半径，softmax不需要配置输入输出在最后设置group参数。

你可能好奇那残差网络怎么弄呢？

如上通过一个from=-3参数来进行配置，就是往后退3个block的意思了

include和src就是具体的函数实现了，卷积等各类操作都在这里examples就是高层任务的定义，包括classifierdetector，代码的解读就超过本文的内容了以后详解。

前面已经把该介绍的都介绍了下面就开始准备数据进行訓练。跟caffe一样数据准备的流程非常简单。

首先在data目录下建立我们自己的任务，按照如下目录把文件准备好

其中每一行都存储一个文件，而标签是通过后缀获得的

标签的内容存在labels.txt里面，如下

3.2 配置训练文件路径和网络

在这里我们用上了一点数据增强操作大家在后面会看到它的威力。

使用如下命令进行训练：

上面每一行展示的分别是：batch数目epoch数目，损失平均损失，学习率时间，见过的样本数目

将朂后的结果提取出来进行显示，损失变化如下可知收敛非常完美。

训练完之后使用如下脚本进行测试

到这里，我们只用了不到500个样本就完成了一个精度不错的分类器的训练，如此轻量级的darknet我决定粉了。

本文讲解了如何使用darknet深度学习框架完成一个分类任务框架固然尛众，但是速度真快而且非常轻便，推荐每一个玩深度学习尤其是计算机视觉的朋友都用起来。