guone
guone 是一个简单的（DEMO）基于 flask 开发的户外建筑自动识别 web 系统，支持图像分类和实时目标检测两种模式。
下载
使用命令：
git clone https://github.com/acthse/guone.git you_path然后：
git submodule init
git submodule update或使用 --recursive 也阔以：
git clone --recursive https://github.com/acthse/guone.git you_path启动
下载完成后，进入 guone 构建项目：
cd guone/
buildout如果你没有安装 buildout 可使用 pip 安装：
pip install zc.buildout构建完成后，本地 debug 模式下启动 guone:
./runguone.sh debug # 注意单词区分大小写或者直接
./bin/guone正式生产环境启动：
./runguone.shgunicorn 的配置在 gun.conf 中，可根据需求更改。
成功启动项目后，可看到如下信息：
[2018-06-07 19:33:02 +0800] [9928] [INFO] Starting gunicorn 19.8.1
[2018-06-07 19:33:02 +0800] [9928] [INFO] Listening at: http://0.0.0.0:8004 (9928)
[2018-06-07 19:33:02 +0800] [9928] [INFO] Using worker: gevent
[2018-06-07 19:33:02 +0800] [9931] [INFO] Booting worker with pid: 9931
访问 http://localhost:8004 即可看到系统的登录界面使用 guone，但因为 guone 依赖 darknet 框架和 VLFeat 工具包，
所以你需要安装完成 darknet 并下载配置 VLFeat 工具包后才能正常使用，下面介绍安装方法。
使用 darknet
darknet 是一个用 C 和 CUDA 编写的相当不错的开源神经网络框架，这是作者的 darknet 主页。
关于安装和使用，请阅读 darknet 主页的 Installing Darknet 和
YOLO: Real-Time Object Detection，有详细介绍。
你需要在你的机子上根据你的需要以及硬件条件决定是否安装 OpenCV 和 CUDA，安装完成后，
在 MakeFile 中修改相关选项。因为我的代码已经编译过，你需要进入 darknet 目录执行：
meke clean然后重新编译完成即可使用：
meke -j16测试一下
站在大神的肩膀上，一切都变得很简单。
采用本系统训练好的模型（当然你也可以下载官网给出的其他模型）进行测试，命令如下（windows 下使用 darknet.exe 即可）
- building_v3.cfg 复杂版网络
./darknet detector test cfg/building.data cfg/building_v3.cfg weights/building_v3.weights test_image_path- building_v3_tiny.cfg 简版网络，速度比上面的快10多倍，检测效果略差。
/darknet detector test cfg/building.data cfg/building_v3_tiny.cfg weights/building_v3_tiny.weights test_image_path- 开启摄像头实时检测，需要在编译时开启 CUDA 和 opencv,不用
-c指定摄像头时 opencv 默认为 0。
./darknet detector demo cfg/building.data cfg/building_v3.cfg weights/building_v3.weights [ -c <num> ]- 检测本地视频文件，至少需要在编译时开启 opencv。
./darknet detector demo cfg/building.data cfg/building_v3.cfg weights/building_v3.weights test_video_file_path如果测试成功，则说明你已经成功安装并可以使用 darknet 框架了。
安装 opencv 以及安装后编译遇到问题
关于安装opencv ，各操作系统不相同，推荐 使用 Google 或者必应搜索国际版 搜索关键字 opencv3 install on your_system 来找到靠谱的教程。
笔者 mac os 系统安装，推荐这篇教程。
安装成功opencv 后，在 MakeFile 中令：
OPENCV = 1遇到问题：
gcc -Iinclude/ -Isrc/ -DOPENCV
pkg-config --cflags opencv-Wall -Wno-unknown-pragmas -Wfatal-```
errors -fPIC -Ofast -DOPENCV -c ./src/gemm.c -o obj/gemm.o
In file included from /usr/local/include/opencv2/core/types_c.h:59:0,
from /usr/local/include/opencv2/core/core_c.h:48,
from /usr/local/include/opencv2/highgui/highgui_c.h:45,
from include/darknet.h:25,
from ./src/utils.h:5,
from ./src/gemm.c:2:
/usr/local/include/opencv2/core/cvdef.h:485:1: error: unknown type name ‘namespace’
namespace cv {
^~~~~~~~~
compilation terminated due to -Wfatal-errors.
Makefile:85: recipe for target 'obj/gemm.o' failed
make: *** [obj/gemm.o] Error 1
这也是笔者在使用opencv编译所遇到的问题，可参考这里解决。
VLFeat
本系统在传统图像分类模式中图像特征的提取（计算图像sift特征值）使用了开源工具包VLFeat提供的二进制文件，获取我要工具包。该工具包支持主流的（windows, Mac, Linux）操作系统，下载好工具包后，我们只需要 sift 的可执行文件，将其在系统中的配置：
在 scripta/sift.py 的方法
process_image()中的cmmd给出sift可执行文件的位置即可。
buildout
buildout 是一个基于 Python 的构建工具, 通过一个配置文件，可以从多个部分创建、组装并部署你的应用，即使应用包含了非 Python 的组件，buildout 也能够胜任。 buildout 不但能够像 setuptools 一样自动更新或下载安装依赖包，而且还能够像 virtualenv 一样，构建一个封闭隔离的开发环境。
开发过程中如果需要添加依赖，只需要在 setup.py 中的 install_requires 中添加你的包名，然后 buildout 一下即可。
关于训练
本系统的有两种模式，其中主要介绍实时目标识别 Yolo(darknet) 关于自己数据集的训练。
Yolo (darknet)
训练过程步骤细节较多，需细心关注，大致可以分为以下阶段：
- 数据准备，采集图像数据，预处理等；
- 标注，推荐使用LabelImg。该工具在 linux 和 windows 下安装极为简单，mac os 下比较困难，作者在 github 上有说明。
- 理解并修改
darknet/scripts/voc_label.py，并用其将标注产生的xml文件转换成yolo需要的格式，以及生成相关图像路径文件； - 准备你的
pro_name.names和pro_name.data； - 配置你想采用的网络，本系统使用了
yolov3-voc.cfg和yolov3-tiny.cfg两个版本 ； - 下载预训练模型/权重文件，开始训练，命令如下：
./darknet detector train cfg/your_pro_name.data cfg/your_pro_name.cfg [预训练模型] [-gpus 0,1,2,3]这里墙裂推荐使用 GPU，没有条件的可以瞅瞅极客云，不是打广告，笔者就是用的这个，觉着很好用，方便性，价比高。CPU 的话，额，等的你花儿都谢了。
- 测试你的模型/权重文件。
具体过程可以参考这篇博文。
这是 yolov2 的训练过程，与 yolov3 的训练过程主要相差在网络文件的修改配置，v3 可看这篇博文。
图像分类模式
图像分类模式的本地图像库训练方法很简单：依次使用脚本
guone/core/savevocab.py图像训练guone/core/buildindex.py建库创索引/存储库guone/query.py(可选) 查询测试
此部分图像处理参考自《Python计算机视觉编程》