【ROS】Darknet_ROS YOLO V3 目标检测
前言
本文适用于已掌握 YOLOv3 和 Darknet 基础知识的读者，旨在帮助大家快速在 ROS 上部署自定义 YOLOv3 模型，实现目标检测。
为了聚焦于部署流程，本文不会详细讲解原理部分。如需补充相关前置知识，请参考以下文章：
- 数据集标注（手动标注）：【YOLO】X-AnyLabeling 数据集标注
- 数据集标注（AI标注）：【YOLO】X-AnyLabeling 半自动标注
- 训练 Darknet 自定义模型（本机）：【YOLOv3】目标检测 Darknet 训练自定义模型
- 训练 Darknet 自定义模型（服务器）：【YOLOv3】Darknet AutoDL 训练自定义模型
为了兼顾嵌入式平台的计算资源限制，本文以 yolov3-tiny.weights 为示例进行部署。该模型参数较少，推理速度更快，适合在资源受限的环境中运行。
参考资料：
整体思路
安装—准备文件—修改配置—使用与测试
- 安装：首先，确保安装了
darknet_ros的依赖项，包括opencv和boost。完成依赖项安装后，使用git clone下载darknet_ros源码并进行编译构建。 - 准备文件：准备自训练的
.weights权重文件、模型的.cfg文件，以及对应的模型配置文件.yaml。 - 修改配置：修改 ros.yaml 文件，定义 darknet_ros 订阅的图像来源，并确保相应话题与摄像头图像匹配；同时修改 darknet_ros.launch 文件，传入自定义的模型配置文件，以加载自训练的模型。
- 使用与测试：启动 usb_cam 节点捕获摄像头图像，启动 darknet_ros 节点进行图像推理，并使用 rqt_image_view 查看推理后的检测结果图像。
安装
在安装 darknet_ros 之前，需要确保所有依赖项均已正确安装。
依赖项检查
darknet_ros 依赖 OpenCV 和 Boost，请确保系统已安装这些库。
具体安装方法可参考以下链接： YOLO ROS: Real-Time Object Detection for ROS 或在网上查找相应的安装教程
克隆源码
在你的 ROS 工作空间 中克隆 darknet_ros 源码，并返回工作空间目录：
cd ~/lby_ws/src
git clone --recursive git@github.com:leggedrobotics/darknet_ros.git
cd ..
编译与构建
使用 Release 模式 进行编译，以最大限度地提升性能：
catkin_make -DCMAKE_BUILD_TYPE=Release
准备文件
以我的模型 xf_real 为例，以下是准备文件的详细步骤。请根据实际情况将文件名替换为你自己的模型名称。
为了在 darknet_ros 节点上实现目标识别，需要准备以下文件，并确保它们正确配置：
1. 权重文件（xf_real.weights）
存放路径： lby_ws/src/darknet_ros/darknet_ros/yolo_network_config/weights
PS：
建议使用基于 yolov3-tiny.conv.15 训练的 xf_real.weights 文件，该模型只使用前 15 层卷积层，推理速度较快。
实测结果显示，使用 YOLOv3（训练于 COCO 数据集）的帧率（FPS）为 1.4，而 yolov3-tiny.conv.15 的帧率可达到 10 帧。因此，推荐在计算资源受限的嵌入式平台上使用 YOLOv3-tiny 轻量化模型进行目标检测。
2. 配置文件（xf_real.cfg）
存放路径：lby_ws/src/darknet_ros/darknet_ros/yolo_network_config/cfg
该配置文件定义了 YOLO 模型的网络结构和超参数设置。你需要做以下修改：
- 切换至 推理模式，并注释掉训练模式相关配置
[net]
# 推理模式配置 （训练时注释掉这几行）
batch=1 # 推理时每批处理 1 张图片
subdivisions=1 # 不需要进行批次细分
# 训练模式配置 （推理时注释掉这几行）
# batch=64
# subdivisions=2
- 修改 [yolo] 层中的 classes，并相应调整紧邻上方的 filters 参数：
类别数应与训练时使用的数据集中的目标类别数一致。filters 的计算方式为： filters = (classes + 5) * 3
下面是一个修改过的 [yolo] 层配置的示例：
[convolutional]
size=1
stride=1
pad=1
filters=48
activation=linear
[yolo]
mask=3,4,5
anchors=10,14, 23,27, 37,58, 81,82, 135,169, 344,319
classes=11
num=6
jitter=.3
ignore_thresh=.7
truth_thresh=1
random=1
3.模型配置文件（xf_real.yaml）
将该文件放置在 lby_ws/src/darknet_ros/darknet_ros/config 目录下。
此 YAML 文件需要根据你模型的实际情况进行调整。 具体内容如下：
.cfg文件 的名称.weights文件 的名称- 置信度阈值，低于该值的检测结果将被忽略
- 类别索引，用于定义模型识别的目标种类
示例配置：
yolo_model:
config_file:
name: xf_real.cfg
weight_file:
name: xf_real.weights
threshold:
value: 0.3
detection_classes:
names:
- watermelon
- banana
- apple
- milk
- red
- green
- pepper
- cake
- cola
- potato
- tomato
修改配置
ros.yaml
在 ros.yaml 文件中，进行以下修改：
- 修改前 5 行：
subscribers:
camera_reading:
topic: /usb_cam/image_raw
queue_size: 1
尽管在 launch 文件中已经进行了话题重映射，修改这部分内容可以确保 camera_reading 正确订阅 /usb_cam/image_raw 话题，确保一致性。
- 修改后 5 行：
image_view:
enable_opencv: false
wait_key_delay: 1
enable_console_output: true
关闭 OpenCV 支持后，darknet_ros 不会自动使用 OpenCV 来显示检测结果。这样做的好处是：
- 减少资源占用：避免了 OpenCV 显示图像所带来的计算开销，特别是在资源受限的环境中。
- 可视化改为按需查看：图像显示可以通过其他方式（如
rqt_image_view）来查看，只有在需要时才查看图像，避免了持续占用资源。
darknet_ros.launch
在 darknet_ros.launch 文件中，找到以下行：
<arg name="network_param_file" default="$(find darknet_ros)/config/yolov2-tiny.yaml"/>
将其修改为：
<arg name="network_param_file" default="$(find darknet_ros)/config/xf_real.yaml"/>
这样修改后，darknet_ros 启动时将使用你自己的训练模型 xf_real.yaml 配置文件，确保加载的是你训练的模型，而不是默认的 yolov2-tiny 模型。
使用与测试
启动 USB 摄像头节点并发布图像：
roslaunch usb_cam usb_cam-test.launch启动
darknet_ros节点进行图像识别：roslaunch darknet_ros darknet_ros.launch使用
rqt_image_view查看 YOLO 检测结果：启动
rqt_image_view：rosrun rqt_image_view rqt_image_view在
rqt_image_view窗口中，选择/darknet_ros/detection_image话题，以查看 YOLO 检测到的图像。
