使用VScode也蛮久了，写C++，Go，Python都可以用，免费且好用。但一直是用来做本地开发用，后来用上WSL2+Docker在windows上开发linux程序，但总体上WSL资源占用还是比较大，机器配置低一点资源会有点紧张。
后来发现其实直接用VScode在远程服务器上的Docker环境下开发也非常方便，非常建议使用这种方式，特别是开发一些需要特殊环境的程序，比如需要英伟达显卡CUDA加速的程序，或者开发ARM平台的程序等。可以远程在带英伟达显卡的机器的Docker容器里面，ARM服务器的Docker容器里进行开发，而开发体验基本和本机开发无异。从WSL到VScode,逐渐体会到微软真心强大。
已经好久没有去动这个blog的代码，准确的说是好多年没搞php，好多年前就觉得nodejs，go等的出现已经使php没有前途了。最近是因为换服务器整理下这个旧博客，而且想可能后面会加进直播流相关的功能，就想着还是稍微弄个开发环境。
不想在本地去部署环境了，就想着直接服务器上调试得了，现在php，nginx等都已经是docker容器部署，远程调试选用XDebug，这个之前的php镜像就已经添加了该拓展。 开发环境是Windows上使用Phpstorm。
YOLOv5虽然貌似没有得到作者的认同，网络结构上创新似乎也不多，网上对其是否配上这个名称更是一直有非议，但我们在一些应用场景中测试YOLOv5的检测效果，比起V3，V4还是有推理速度更快，检测框更贴合目标的特点。
而且YOLOv5还在继续迭代，所以还是有学习意义的。
网络由四个主要部分组成：
对于YOLOV5，无论是s，m，l还是x 这四部分都是一致。唯一的区别在与模型的深度和宽度设置。
YOLOv3对图片进行检测前，先要对图片进行预处理，先进行转换再进行resize使其和网络输入大小一致。这个过程使用demo的cpu方法对于大图片会花费很多实际。1080P的图片大概需要100ms左右。
因此仔细研究这个预处理过程的代码，并将其转换为使用cuda在GPU里进行预处理相信可以快很多。
首先是编译Caffe
前提条件：
安装依赖
sudo apt-get update && apt-get install -q -y \
libprotobuf-dev libleveldb-dev libsnappy-dev libhdf5-serial-dev protobuf-compiler \
libatlas-base-dev libgflags-dev libgoogle-glog-dev \
liblmdb-dev libopenblas-dev \
python-tk libpython2.7-dev python-pip \
python-scipy python-matplotlib && \
apt-get install -q -y --no-install-recommends libboost-all-dev && \正式训练一些数据，这次主要我们测试用YOLO来进行人脸检测。
下载训练数据集，一般有FDDB 和 wider_face（http://mmlab.ie.cuhk.edu.hk/projects/WIDERFace/）
wider_face 人脸更多，训练结果当然更好。但是使用起来很麻烦。所以这里我们先使用FDDB进行训练
进入下载页面
http://vis-www.cs.umass.edu/fddb/index.html#download
分别下载图片和标注文件
FDDB-folds.tgz
originalPics.tar.gz
接下来是训练自己的模型
Ubuntu下载LabelImg标注工具
git clone https://github.com/tzutalin/labelImg安装依赖
apt-get install pyqt4-dev-tools
apt-get install python-lxml编译make all，运行
python labelImg.py网络原理就不多讲，我也是半知半解，我们先关注怎么用。
下载源码
git clone https://github.com/pjreddie/darknet.git对Makefile的几个参数根据自己的情况进行修改
GPU=1
CUDNN=1
OPENCV=1编译make，下载训练好的权重文件：wget https://pjreddie.com/media/files/yolov3.weights
然后就可以测试
测试图片
./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg
测试视频，video file自己放段视频
./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights <video file>