（1）https://github.com/pjreddie/darknet 中clone&download
（2）https://pjreddie.com/darknet/install/ 在命令行下：
git clone https://github.com/pjreddie/darknet.githttps://cygwin.com/install.html 根据系统位数下载；
安装的时候镜像随便选一个能用的就行，比如默认的第一个：
一定要记得选择安装一些额外的包，gcc-core、gcc-g++、make、gdb、binutils
在View的Category下的Devel下可以找到：
添加“安装目录\cygwin64\bin”系统路径Path，例如：
E:\cygwin64\bin（1）检查gcc，在cmd中输入：
which gcc检查gcc是否安装设置为cygwin，而不是MinGW的gcc：
（2）修改examples\Go.c 文件，开头加上“#include <sys/select.h>”，否则编译出错。
（3）运行cygwin64，打开当前darknet的目录，例如：
cd F:keras-yolo3-master/darknet（4）编译，输入：
make观察到：
make过程中无报错，且在..\darknet\obj文件夹下生成若干.o文件，即视为编译成功。
1. Generate your own annotation file and class names file.
python voc_annotation.py2. 运行：
python convert.py -w yolov3.cfg yolov3.weights model_data/yolo_weights.h5The file model_data/yolo_weights.h5 is used to load pretrained weights.
或者：
wget https://pjreddie.com/media/files/yolov3.weights得到预训练好的权重，就不用自己再训练了
3. 训练：
python train.py用CPU的话训练时间非常长 ，50轮迭代，每次5个半小时。 Use your trained weights or checkpoint weights with command line option `--model model_file` when using yolo_video.py Remember to modify class path or anchor path, with `--classes class_file` and `--anchors anchor_file`.
If you want to use original pretrained weights for YOLOv3: 1. `wget https://pjreddie.com/media/files/darknet53.conv.74` 2. rename it as darknet53.weights 3. `python convert.py -w darknet53.cfg darknet53.weights model_data/darknet53_weights.h5` 4. use model_data/darknet53_weights.h5 in train.py
输入：
./darknet得到：
usage: ./darknet <function>说明darknet编译成功可以使用。
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg预测当前data文件夹下的dog图片：
置信度如图，在当前文件夹下得到predictions.jpg：
如果之前没有注意到要使用cygwin的gcc，误使用MinGW的gcc来make的话，会报错
[Makefile:89:obj/deconvolutional_layer.o] 错误 1这个时候不仅要修改为cygwin的gcc，还要在obj目录下删除干净使用MinGW的gcc编译出的.o文件。
https://www.cnblogs.com/jackkwok/p/9045890.html
https://www.cnblogs.com/hchacha/p/7147603.html
