模型我已经训练好了，直接可以用。使用的darknet，模型使用方法见官网。
-
编译
打开终端
进入项目文件夹：
cd hanzi_detection编译：
make -
测试
编译成功后执行：
./darknet detector test data/jiyan.data model/jiyan_yolov3.cfg backup/jiyan_yolov3_final.weights出现如下日志：
100 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs 101 conv 128 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BFLOPs 102 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs 103 conv 128 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 128 0.379 BFLOPs 104 conv 256 3 x 3 / 1 76 x 76 x 128 -> 76 x 76 x 256 3.407 BFLOPs 105 conv 18 1 x 1 / 1 76 x 76 x 256 -> 76 x 76 x 18 0.053 BFLOPs 106 yolo Loading weights from backup/jiyan_yolov3_final.weights...Done!
模型加载完成，输入一个图片地址进行测试：
Enter Image Path: ./809859eb7dbf70338f6c0dfa7c510c3a.jpg: Predicted in 18.303259 seconds. hanzi: 100% hanzi: 100% hanzi: 100% hanzi: 99%识别结果会保存到当前文件夹下，名叫：predictions.jpg
可以看到识别这个结果用了18.3秒，以及识别到四个结果。
因为目前是直接用CPU识别的，速度慢，用GPU速度会提升几百倍。关于GPU的使用待稍后整理发出，也可加微信交流。
贴一个效果图：
内容涉及：
- Ubuntu18.04下的环境搭建
- cuda + cudnn + opencv
- Python3
- NVIDIA 显卡驱动
- GPU环境下模型的编译和使用
GPU的使用在生产环境是必须的，速度提升了几百倍...
如果您看到这里，请给我一个star:star:谢谢，如果有遗漏，请留言指正，感激！
- Ubuntu18.04下的环境搭建
