我们可以在没有 GPU 的自定义对象上训练 YOLOv3 吗？答案

【问题标题】：Can we Train YOLOv3 on custom objects with no GPU?我们可以在没有 GPU 的自定义对象上训练 YOLOv3 吗？
【发布时间】：2019-10-24 12:34:58
【问题描述】：

我的 YOLO 模型可以很好地检测瓶子、人、手机、背包等物体。但我想让我的模型检测到戒指、手镯或头盔（当前 yolo 模型中不存在的对象）。没有 GPU，我可以制作自定义对象检测 yolo 模型吗？涉及哪些风险？（如果有的话）。

我的系统是具有 8GB RAM 的 Windows 10 Home 单一语言。

【问题讨论】：

可以，这会大大减慢训练时间和推理速度

标签： python cpu yolo darknet

【解决方案1】：

重新编译 darknet.exe 以在 CPU 上运行非常慢。我以前试过。这是完全不切实际的。推荐你学习英特尔 OpenVINO 工具包。

https://software.intel.com/en-us/openvino-toolkit

和

https://docs.openvinotoolkit.org/latest/_docs_MO_DG_prepare_model_convert_model_tf_specific_Convert_YOLO_From_Tensorflow.html

OpenVINO 工具包可以在其 CPU/集成 GPU 上加载和运行任何框架。

您仍然可以使用常规 NVIDIA 卡通过 Darknet YOLO 训练您的自定义对象。然后使用 3rd-party 转换器工具（可以在 GitHub 上轻松找到）将您训练的 YOLO 权重文件转换为 Tensorflow PB 文件。然后使用英特尔的模型优化器将 PB 文件和标签文件转换为它们所谓的“推理表示”文件（在 *.bin、*.xml、*.labels 和 *.mapping 文件中命名），稍后可以加载和在 Intel 的 CPU 或集成 GPU 上运行。

他们的模型优化器会自动优化并移除 YOLO 卷积网络文件中一些未使用的节点，提高整体推理速度，这比单纯使用重新编译 CPU 版本的 darknet.exe 在 CPU 上运行 YOLO 权重要快得多。

【讨论】：

【解决方案2】：

是的，你可以这样做。

只需在darknet文件夹的Makefile中更改以下几行-

GPU=1 CUDNN=1（用于 GPU）

改成 -

GPU=0 CUDNN=0（用于 CPU）

是的，你也可以训练你的 YOLO 模型来检测自定义对象。只要关注这个博客 - Link

【讨论】：